Onofri - Teoria Degli Operatori Lineari

Enrico Onofri
Lezioni sulla
TEORIA DEGLI OPERATORI LINEARI

1 2 3 4 5 0 0 0 0 0 0 0 0 0 0 0 0 0 5 4 3 2 1
2 4 6 8 4 5 0 0 0 0 0 0 0 0 0 0 0 5 4 8 6 4 2
3 6 9 6 8 4 5 0 0 0 0 0 0 0 0 0 5 4 8 6 9 6 3
4 8 6 9 6 8 4 5 0 0 0 0 0 0 0 5 4 8 6 9 6 8 4
5 4 8 6 9 6 8 4 5 0 0 0 0 0 5 4 8 6 9 6 8 4 5
0 5 4 8 6 9 6 8 4 5 0 0 0 5 4 8 6 9 6 8 4 5 0
0 0 5 4 8 6 9 6 8 4 5 0 5 4 8 6 9 6 8 4 5 0 0
0 0 0 5 4 8 6 9 6 8 4 10 4 8 6 9 6 8 4 5 0 0 0
0 0 0 0 5 4 8 6 9 6 13 8 13 6 9 6 8 4 5 0 0 0 0
0 0 0 0 0 5 4 8 6 14 10 16 10 14 6 8 4 5 0 0 0 0 0
0 0 0 0 0 0 5 4 13 10 17 12 17 10 13 4 5 0 0 0 0 0 0
0 0 0 0 0 0 0 10 8 16 12 18 12 16 8 10 0 0 0 0 0 0 0
0 0 0 0 0 0 5 4 13 10 17 12 17 10 13 4 5 0 0 0 0 0 0
0 0 0 0 0 5 4 8 6 14 10 16 10 14 6 8 4 5 0 0 0 0 0
0 0 0 0 5 4 8 6 9 6 13 8 13 6 9 6 8 4 5 0 0 0 0
0 0 0 5 4 8 6 9 6 8 4 10 4 8 6 9 6 8 4 5 0 0 0
0 0 5 4 8 6 9 6 8 4 5 0 5 4 8 6 9 6 8 4 5 0 0
0 5 4 8 6 9 6 8 4 5 0 0 0 5 4 8 6 9 6 8 4 5 0
5 4 8 6 9 6 8 4 5 0 0 0 0 0 5 4 8 6 9 6 8 4 5
4 8 6 9 6 8 4 5 0 0 0 0 0 0 0 5 4 8 6 9 6 8 4
3 6 9 6 8 4 5 0 0 0 0 0 0 0 0 0 5 4 8 6 9 6 3
2 4 6 8 4 5 0 0 0 0 0 0 0 0 0 0 0 5 4 8 6 4 2
1 2 3 4 5 0 0 0 0 0 0 0 0 0 0 0 0 0 5 4 3 2 1
Università degli Studi di Parma
Seconda Edizione, 2009, versione elettronica 1.5, 2017

Ad Alessio, Alexia, Bartolomeo, Chiara, Cristian, Leonardo, Liliana, Ottavia e
Sebastiano
Author:
Enrico Onofri (Parma, 1946)
Dipartimento di Scienze Mat. Fis. e Inf.
Universita` di Parma
43121 Parma, Italy
Il mio ringraziamento a Donald E. Knuth (TEX), Leslie Lamport (LATEX), Richard

Stallman (gnu), David Reitter (aquamacs-emacs) e al mondo Mac e Open Source
che hanno reso possibile quest’opera. Per i problemi che hanno richiesto calcolo nume-
rico ci siamo avvalsi del linguaggio matlab (The Mathworks™) e per calcolo simbolico
Mathematica (Wolfram Research).
L’archivio di codici matlab e Mathematica e le versioni aggiornate del testo sono
reperibili sul sito
http://www.fis.unipr.it/home/enrico.onofri

In copertina: una matrice “iperbolica”: per saperne di più risolvere l’esercizio 45 (parte II).
Composto su utilizzando TeXLive-2008 nel formato amsbook, con packages addizionali

MnSymbol, bbm, esint, fancybox, fancyhdr, fancyvrb, makeidx, manfnt, mathtools
© Università di Parma, 2009

Copying and printing this document is granted to anyone for scholar purposes, provided its content is not
modified in any way.
Indice
Prefazione vii
Notazioni viii
Prefazione alla prima edizione ix
I - Introduzione 1
Capitolo 1. Spazi lineari in Meccanica Classica 3
1.1. Il tensore d’inerzia 3
1.2. Modi normali di due oscillatori accoppiati 6
1.3. Modi normali di n oscillatori accoppiati 8
1.4. Spazi a infinite dimensioni 11
1.4.1. Un sistema con n particelle e n → ∞ 11
1.4.2. Un’equazione integrale 14
Problemi 17
Soluzioni 18
II - Operatori Lineari in spazi a dimensione finita 21

Capitolo 2. Spazi Lineari 23
2.1. Spazi lineari reali 23
2.1.1. Definizioni fondamentali 23
2.1.2. Basi in uno spazio lineare 24
2.2. Spazi lineari complessi 27
2.3. Spazi lineari metrici 27
2.3.1. Matrici unitarie 29
2.4. Funzionali lineari e spazio duale 31
2.4.1. La notazione di Dirac 32
Capitolo 3. Operatori Lineari 35
3.1. Definizioni fondamentali 35
3.1.1. Cambiamenti di base 36
3.1.2. Algebra degli Operatori lineari 37
3.1.3. Funzioni di Operatori lineari 37
3.1.4. L’operatore inverso 41
3.2. Teoria spettrale 42
3.2.1. Proprietà dello Spettro 44
3.2.2. La Decomposizione Spettrale 45
3.3. Operatori Autoaggiunti, Unitari, Normali 51
3.3.1. Operatori Unitari 53
iii
3.3.2. Operatori Normali 54
3.4. Funzioni di più operatori lineari 55
3.4.1. Insiemi completi di operatori autoaggiunti 55
3.4.2. Insiemi irriducibili di operatori 56
3.4.3. Funzioni di operatori non–commutanti 57
3.4.4. Teoria delle perturbazioni 59
3.4.5. Soluzione di sistemi lineari 65
3.4.6. Rappresentazione di interazione 67
Appendice II 69
3.5. Polinomi Ortogonali 69
3.5.1. Definizioni 69
3.5.2. Relazioni di ricorrenza 71
3.5.3. Zeri dei polinomi ortogonali 72
3.5.4. Formule di quadratura di Gauss 73
3.5.5. Polinomi classici 75
3.6. Disuguaglianze fondamentali 76
Problemi 79
Soluzioni 90
III - Operatori lineari nello spazio di Hilbert 99

Capitolo 4. Spazio di Hilbert 101
4.1. Spazi lineari ad infinite dimensioni 101
4.1.1. Definizioni fondamentali 101
4.1.2. Funzionali lineari 106
4.2. Operatori lineari nello spazio di Hilbert 108
4.2.1. Operatori lineari chiusi, continui, limitati 108
4.2.2. Aggiunto Hermitiano di operatori limitati 110
4.2.3. Operatori isometrici e unitari 111
4.2.4. Aggiunto Hermitiano per Operatori non limitati 112
4.2.5. Operatori di↵erenziali in L2(a, b) 113
4.3. Teoria Spettrale 117
4.3.1. Prime proprietà ed esempi 118
4.3.2. Proprietà analitiche del risolvente 120
4.3.3. Gli operatori canonici della Meccanica Quantistica 121
4.3.4. La teoria spettrale per operatori autoaggiunti 122
4.3.5. Operatori compatti 128
4.3.6. L’estensione di operatori simmetrici 130
4.3.7. Teorema di Stone 131
4.3.8. L’integrale di Fourier 132
Appendice III 135
4.4. La formula di Lie–Trotter e la Meccanica Quantistica 135
4.5. Metodi computazionali 136
4.5.1. Implementazione numerica della formula di Lie–Trotter 136
4.5.2. Matrici sparse e problemi spettrali 138
iv
4.5.3. L’algoritmo di Lanczos 139
Problemi 143
Soluzioni 149
Galleria di ritratti 159

IV - Applicazioni alla Teoria delle Probabilità 171
Capitolo 5. Caso e probabilità in Fisica 173
Introduzione 173
Bibliografia ragionata 174
5.1. La definizione matematica di probabilità 174
5.1.1. La formula di inclusione/esclusione 177
5.1.2. Probabilità condizionata 178
5.1.3. La formula di Bayes 179
5.1.4. Indipendenza statistica 179
5.2. Variabili aleatorie 179
5.2.1. Funzione di distribuzione 180
5.2.2. Funzione generatrice 180
5.2.3. Variabili indipendenti 181
5.2.4. Somma di variabili aleatorie 181
5.2.5. La legge dei grandi numeri 182
5.3. Processi aleatori 183
5.3.1. Catene di Markov discrete 183
5.3.2. Catene di Markov continue 186
5.3.3. Proprietà di convergenza 187
5.3.4. Il metodo MonteCarlo 188
5.3.5. Come realizzare successioni casuali 188
5.3.6. MonteCarlo dinamico 190
5.3.7. Equazione di Langevin 192
5.3.8. Equazione di Langevin e Meccanica Quantistica 193
Appendice IV 195
5.4. Distribuzioni di probabilità elementari 195
5.5. I teoremi di Gershgorin e Frobenius 196
5.6. Distribuzione di Polya 197
5.7. Soluzione esatta del modello di Ehrenfest 199
5.8. Calcolo del tempo medio di ritorno 199
5.9. Dimostrazione della Eq. (5.17) 201
5.10. Processi di↵usivi 201
Problemi 205
Soluzioni 208
Bibliografia 215
Indice analitico 219
v
Elenco delle figure 225
vi
Prefazione
La prima edizione di queste lezioni [Ono84] risale all’epoca “pre-computer”, sia nel
senso che allora non era ancora di↵uso l’uso del calcolatore personale, e quindi l’approccio
numerico a problemi complessi riguardava per lo più applicazioni avanzate, ma non faceva
parte della formazione di base del Fisico, sia anche per il fatto che la preparazione del testo
era ancora basata su manoscritto-dattilografia-stampa. Ciò ha comportato che, una volta
esaurite le copie a suo tempo prodotte dall’Editore Zara, le Lezioni siano sopravvissute
solo grazie alla disponibilità di qualche copia salvata dalla estinzione. Mi sono allora
deciso, d’accordo con il titolare della Editrice Zara, cui vanno i miei ringraziamenti, a
riportare le lezioni su supporto elettronico. Nell’occasione ho pensato che fosse tempo di
rinnovare il testo aggiungendo quelle informazioni essenziali che riguardano l’applicazione
di moderne tecniche numeriche alla soluzioni di problemi lineari, ormai entrate nell’uso
molto di↵uso tra Fisici a tutti i livelli. Il testo originale è quindi integrato con esercizi
che richiedono l’uso del calcolo numerico; le soluzioni sono date utilizzando il linguaggio
matlab in quanto si presta a scrivere un codice in modo molto leggibile, oppure nei casi
dove è conveniente, il linguaggio simbolico Mathematica. Nel testo solo l’ossatura dei
programmi sarà riportata, in modo da convogliare il nocciolo dell’idea, mentre i codici
completi funzionanti sono riportati a parte in forma di archivio a sè stante, disponibile
su rete. La copertina originale (una matrice iperbolica di dimensione 23) era stata a suo
tempo prodotta “a mano”; ora è sufficiente utilizzare il codice hpm.m inserendo la prima
riga della matrice.
Rispetto alla prima edizione, oltre all’aggiunta di esercizi e di esempi di applicazione
di calcolo numerico/simbolico, ho inserito un capitolo sulle applicazioni alla teoria delle
probabilità. Si tratta di un ambito in cui l’analisi lineare gioca un ruolo importante e l’ar-
gomento dovrebbe entrare, a mio giudizio, nel curriculum standard degli studenti di Fisica
al I livello. Qui l’accento è posto più sulle tecniche di simulazione piuttosto che sull’analisi
matematica. Il problema è costituito dal fatto che una presentazione matematicamente
consistente prenderebbe facilmente troppo spazio rispetto a quanto previsto dalle ristret-
tezze di un corso semestrale e non si arriverebbe ad esplorare problemi interessanti. La
possibilità di simulare numericamente situazioni anche complesse con il minimo sforzo
permette invece di addentrarsi rapidamente nelle problematiche delle variabili aleatorie
(random variables), delle catene di Markov, delle camminate aleatorie (random walks), dei
processi di↵usivi retti da equazioni di↵erenziali stocastiche. Naturalmente le simulazioni
non permettono mai di raggiungere risultati sicuri al 100%, ma forniscono in ogni caso
una buona guida per congetturare il risultato cercato, e nella stragrande maggioranza dei
casi realistici è quanto abbiamo a disposizione (oltre all’esperimento reale) in mancanza
di un risultato basato sull’analisi matematica.
Desidero ringraziare quelli tra i miei colleghi (in particolare Ra↵aella Burioni e Gian
Carlo Rossi) che mi hanno onorato utilizzando la prima edizione del libro e mi hanno
vii
cosı̀ stimolato a metterlo nella forma attuale in formato elettronico. Inoltre sono molto
riconoscente a tutti i colleghi con cui ho goduto di una felice collaborazione in questi
anni, G. Marchesini, G. Cicuta, M. Bonini, F. Di Renzo, R. DePietri, G. P. Tecchiolli,
G. Veneziano, V. Fateev. Da tutti loro ho imparato qualcosa per me importante. Desidero
inoltre ringraziare gli studenti che hanno frequentato il corso di Metodi Probabilistici della
Fisica nel 2004–2005, per gli stimoli che mi hanno fornito rendendo il compito di docente
piuttosto gradevole. Inoltre un grazie particolare all’amico Augusto Schianchi , collega
della Facoltà di Economia, per la curiosità sempre vivace che dimostra per quei problemi
di matematica che si collocano alla frontiera tra Economia e Fisica.
Notazioni

Il testo è articolato in capitoli, sottosezioni, problemi, soluzioni, osservazioni: queste
ultime sono indicate con (per invitare il lettore a rallentare un attimo e riflettere; il
simbolo è scelto in omaggio a Donald E. Knuth e al suo manuale di TEX). Le soluzioni
dei problemi sono raggruppate alla fine di ciascun capitolo e identificate con #nn. Un
estratto da un codice in un linguaggio quale matlab, Mathematica o C è segnalato da un
formato particolare del tipo
<nome del programma>
1 function Y=hpm(row)
2 ....
3 N=length(row);
4 U=eye(N,N);
5 X=diag(ones(N-1,1),-1);
6 X=X+X’;
7 ... etc ...
I vettori sono normalmente indicati in grassetto, come ⇠, ⌘,etc.; ma preferibilmente

utilizzeremo la notazione di Dirac ket e bra. Gli operatori lineari sono distinti dai ca-
ratteri A, B, ..., X ; per i proiettori si riserva la notazione P, E, etc. La norma di vettori e
operatori è indicata con �⇠�, �A�, etc. Nella Parte IV si indica con M[x] e D[x] la media
e la deviazione standard della variabile aleatoria x. I campi numerici sono contraddistinti
come usuale da N (numeri naturali), Z (interi), R (reali), C (complessi), Q (quaternio-

ni). Parte reale e immaginaria di un numero complesso z sono indicati con Re{z} e
n �∞
Im{z}. Il segnale sarà utilizzato per segnalare argomenti dove la dimensione
finita dello spazio lineare è cruciale e non è possibile estrapolare in modo ingenuo a spazi
∞−dimensionali oppure che si tratta di proprietà specifiche dello spazio di Hilbert che
non hanno analogo in un numero finito di dimensioni. I teoremi sono numerati in base al
capitolo. Il termine di una dimostrazione è segnalato da �, quello di un esempio o di un
commento che interrompono il testo da ◁. Gran parte dei problemi sono raggruppati alla
fine di ciascuna parte, alcuni sono invece distribuiti nel testo (voce “problemi” nell’indice
analitico) allo scopo di stimolare il lettore a verificare il suo grado di comprensione.
I riferimenti bibliografici sono etichettati con la convenzione amsalpha, es. [Dir29] abbre-
viazione di Dirac 1929 . Il testo è composto nel font AMS Euler disegnato espressamente
da Donald Knuth per avvicinarsi agli standard dei Matematici. Un fondamentale aiuto
mi è arrivato dall’ottima introduzione a LATEX in [GMS94], ora in edizione rinnovata
(2004).
viii
Prefazione alla prima edizione
Queste lezioni di Analisi lineare rappresentano una parte del programma del corso di
Metodi Matematici della Fisica che ho svolto per qualche anno presso l’Università degli
Studi di Parma.
......
Il carattere del corso intende realizzare un compromesso tra la mole di argomenti trattati
e il livello di rigore e di completezza. Mentre la parte relativa agli spazi ad un nume-
ro finito di dimensioni è sviluppata in un modo che ritengo coerente e sufficientemente
generale, quella relativa agli spazi di Hilbert so↵re, di necessità, di ampie lacune ed è
inoltre sviluppata ad un livello per lo più euristico. Secondo le mie intenzioni, lo stu-
dente attento deve sentirsi insoddisfatto di questa parte del programma ed essere quindi
spronato ad approfondirla sui vari trattati che vengono consigliati nella bibliografia. Ho
preferito impostare il corso su un atteggiamento pragmatico (risolvere equazioni integrali
senza sapere necessariamente che si chiamano di Fredholm) ed ho quindi privilegiato la
parte di esercizi rispetto ad un maggiore sviluppo della teoria formale. L’obiettivo ideale
è quello di convincere lo studente che è importante avere a disposizione una verta varietà
di strumenti matematici in modo da potere scegliere quello più adatto per una particolare
applicazione. Un limite del corso, a questo riguardo, è semmai il suo carattere astratto
- problemi di calcolo e↵ettivo, basati sulla analisi numerica, richiederebbero un corso a
parte. ∗
Due parole sulla impostazione di queste lezioni:
● Parte I - È una introduzione generale che vuole giustificare lo studio dell’analisi
lineare con esempi tratti dalla Fisica classica. Sarebbe opportuno, alla fine del cor-
so, ritornare a questa prima parte e riesaminare quei punti che sono difficilmente
comprensibili in una prima lettura.
● Parte II - Spazi finito-dimensionali. Il problema centrale è quello della decomposi-
zione spettrale di una qualunque operatore lineare. Ho scelto di fondare la teoria
sulla formula di Riesz-Dunford, che richiede alcune nozioni di funzioni analitiche
ed obbliga perciò a un certo lavoro di sintesi con l’altra parte del corso di M.M.
● Parte III - Spazio di Hilbert. Ho preferito sorvolare sui problemi della teoria della
misura (Lebesgue) in favore di un maggiore spazio dedicato agli “spazi funziona-
li” (spazi di funzioni analitiche) che permettono di sviluppare numerosi esempi
elementari e sono anche importanti per le applicazioni (stati coerenti in mecca-
nica quantistica). La teoria spettrale, basata sull’integrale di Cauchy-Dunford, si
riallaccia in modo euristico, ma efficace, al caso finito-dimensionale. † .
Sono felice di ringraziare in questa sede tutti i miei colleghi che mi hanno in qualche
modo aiutato a preparare queste lezioni,
Mario Casartelli, Giuseppe Marchesini e Massimo Pauri
in particolare per tutto quello che mi hanno insegnato in tanti anni di lavoro in comune.
Ed infine un grazie di cuore a mia moglie Liliana per l’accurato lavoro di dattilografgia (gli
errori di battitura sono opera mia).
Parma, giugno 1984.
∗
In questa seconda edizione si è infatti cercato di completare il testo in questa direzione.
†
...e ora anche una Parte IV
ix
I - Introduzione
CAPITOLO 1
Spazi lineari in Meccanica Classica
1.1. Il tensore d’inerzia

Consideriamo un corpo rigido R con un punto fisso O. Il momento angolare del corpo
rispetto al punto O è dato da
M= ⇢(r) r ∧
dr
ˆ
dV
R dt
avendo fissato la seguente notazione: ⇢ è la densità di massa al punto r; dV è l’elemento
di volume. Essendo per un corpo rigido dr�dt = ! ∧ r, si ottiene ∗
M= ⇢(r) r ∧ (! ∧ r) dV
ˆ
= ⇢(r) ((r ⋅ r) ! − (! ⋅ r) r) dV
ˆ
In componenti
Mi = ⇢(r) ((r ⋅ r) !i − (! ⋅ r) xi) dV

ˆ
=� ⇢(r) �r2 ij − xixj� !j dV ≡ � Iij!j .

3
ˆ
j=1 R j
Le nove quantità Iij = R ⇢(r) (r2 ij − xixj) dV formano una matrice quadrata (ten-
´
sore d’inerzia). La relazione tra M e ! non è dunque di proporzionalità, in generale.
Tuttavia M e ! sono legati da una relazione lineare, il che significa che indicando con
M(!) la funzione ! → M si ha:
M( !) = M(!)
M(!1 + !2) = M(!1) + M(!2) .
Si indica perciò M = I ! e si dice che I è un operatore lineare, di cui {Iij}

è la rappresentazione matriciale nella base delle coordinate cartesiane individuata dai
versori (î, ^j, k).
^ Anche se in generale M e ! non sono paralleli, ci si può chiedere se tale
parallelismo non possa verificarsi per qualche particolare direzione di !. Ciò porta ad
impostare l’equazione
I ! = !.
∗
Ricordiamo che per tre vettori qualunque a, b, c, vale la formula a ∧ (b ∧ c) = (a ⋅ c)b − (a ⋅ b)c.
3
Meccanica Classica 1.1
In componenti, si ottiene
� Iij !j = !i
3
j=1
� (Iij − ij) !j = 0 .
3
j=1
Si tratta dunque di risolvere un sistema lineare omogeneo di tre equazioni in tre incognite.
Tale sistema ammette l’unica soluzione ! = 0 (che non ci interessa) a meno che non sia
(1.1) det � Iij − ij �= 0 .
Prima di considerare esplicitamente quest’ultima equazione, è possibile anticipare alcune
proprietà delle soluzioni. È importante riconoscere che la matrice I è simmetrica, cioè
Iij = Iji. Questo fatto ha notevoli conseguenze:
i) il numero deve essere reale, infatti
∑ij Iij!i!j ¯
= =
∑i �!i�2
ii) Se 1 e 2 sono due valori distinti per cui il sistema lineare ammette soluzioni
!(1) e !(2) entrambe non nulle, allora !1 ⋅ !2 = 0.
Infatti sia
� Iij !j =
(1) (1)
1!i
j
� Iij !j =
(2) (2)
2!i
j
(2)
Moltiplichiamo la prima equazione per !i e sommiamo sull’indice i; moltiplichiamo la
(1)
seconda equazione per !i e sommiamo su i. Otteniamo allora
� Iij !i !j = ⋅ !(1)
(2) (1) (2)
1!
ij
� Iij !i !j = ⋅ !(2)
(1) (2) (1)
2!
ij
I due membri a sinistra sono uguali per via della simmetria di I. Dunque
( 1− 2) !
(1)
⋅ !(2) = 0
ed essendo 1 ≠ 2, si ottiene che !(1) e !(2) sono ortogonali. Consideriamo dunque
l’equazione (1.1), e cioè
��I11 − I12 I13 ��
��
�� I21 I22 − I23 �� = 0
�� I �
� 31 I32 I33 − ��
Sviluppando il determinante e raccogliendo i termini omogenei in :
3
− p1 2
+ p2 − p3 = 0
4
1.1. IL TENSORE D’INERZIA
dove
p1 = � Iii
i
I I I I I I
p2 = � I � � ≡ � 11 12� + � 11 13� + � 22 23�
ij
i<j
ij I21 I22 I31 I33 I32 I33
�i j k�
p3 = � I �i j k� ≡ det �I�
i<j<k �i j k�
(cfr. Eserc.29, Parte II).

Abbiamo visto che l’equazione (1.1) ammette solo radici reali; di più tali radici sono
positive dato che ! ⋅ I! = (! ⋅ !) e il membro di sinistra è positivo, dato che vale
2T (due volte l’energia cinetica). Sia !(1) una soluzione del sistema lineare I! = 1!.
Supponiamo di ruotare gli assi delle coordinate in modo che uno degli assi sia nella
direzione di !(1) . In questo nuovo sistema di coordinate la matrice che rappresenta I
avrà la seguente espressione
� 1 0 0 �
� 0 I ′ 22 I ′ 23�
� 0 I ′ 32 I ′ 33�
La ricerca delle altre soluzioni si può quindi ridurre al piano ortogonale a !(1) . L’Eq. (1.1)
in questa nuova base è perciò
( − 1) � − (I22 + I33) + I ′ 22I ′ 33 + I ′ 23I ′ 32� = 0
2 ′ ′
che, oltre a ammette le soluzioni

�
1
= �I + I ± (I ′ 22 − I ′ 33)2 + 4I ′ 223�
1 ′ ′
2,3 22 33
2
Come si vede le soluzioni sono sempre reali e positive (in particolare si può avere 2 = 3
solo se I ′ 22 = I ′ 33 e I ′ 23 = 0). Ricordiamo che le direzioni individuate dai vettori !(1) ,
!(2) e !(3) ortogonali si dicono assi principali del corpo rigido. Tali assi sono individuati
univocamente solo se 1 ≠ 2 ≠ 3. Infatti se capita che ad es. 2 = 3 allora ogni
combinazione lineare
! = a !(2) + b !(3)
soddisfa l’equazione I! = 2!. Notiamo che questo fatto si verifica se il corpo ha
simmetria cilindrica, ma non vale il viceversa. Ad es. il tensore d’inerzia di un cubo
omogeneo ha tutti i momenti d’inerzia coincidenti, pur non avendo il cubo simmetria
sferica. Agli e↵etti inerziali tuttavia il cubo si comporta come una sfera.
5
1.2. Modi normali di due oscillatori accoppiati

Quale secondo esempio, consideriamo un semplice sistema meccanico costituito da due
masse uguali vincolate a scorrere senza attrito lungo una retta; su di esse agiscono forze
elastiche come indicato nella Fig. 1-1
Figura 1-1. Oscillatori accoppiati
Le due molle fissate alle pareti abbiano modulo di elasticità k e la molla che accoppia le
masse abbia modulo . Indicando con x1 e x2 gli scostamenti dalle posizioni di equilibrio
delle due masse, l’energia potenziale del sistema è data da
V(x1, x2) = 12 k x21 + 12 k x22 + 12 (x1 − x2)2
= 12 (k + ) (x21 + x22) − x1x2
Adottando unità di misura in cui la massa sia uno, le equazioni del moto sono
ẍ1 = − = −(k + ) x1 + x2
@V
(1.2)
@x1
ẍ2 = − = x1 − (k + ) x2
@V
@x2
Un modo elementare per risolvere questo sistema di equazioni lineari è dato dalla sosti-
√ √
tuzione
(1.3) ⇠ = (x1 + x2)� 2 ; ⌘ = (x2 − x1)� 2
Si trova infatti
¨ = −k ⇠
⇠
¨ = −(k + 2 ) ⌘
⌘
Le equazioni sono ora separate e la soluzione è data da
⇠(t) = A cos(! t + ) ; ⌘(t) = B cos(!′ t + ✏) ;
√ √
con ! = k e !′ = k + 2 ; A, B, , ✏ sono costanti arbitrarie. Il sistema di equazioni può
essere scritto in forma più compatta introducendo un vettore a due componenti x = (x1, x2)
e l’operatore lineare ⌦2 definito da
k+ −
⌦2 � 1� = � � � 1�
x x
x2 − k+ x2
6
1.2. MODI NORMALI
per cui
= −⌦2 x .
d2x
dt2
È immediato riconoscere che la trasformazione (1.3) altro non è che una rotazione del
piano. Si può dunque a↵ermare che il sistema è stato risolto introducendo quel sistema
di riferimento in cui la matrice ⌦2 assume la forma più semplice, cioè quella diagonale.
Vedremo d’altronde che per ogni matrice simmetrica (qual’è ⌦2) esiste una rotazione
che la trasforma nella forma diagonale. La trasformazione Eq. (1.3) può essere trovata
cercando le direzioni per cui vale l’equazione
⌦2 � 1� = !2 � 1�
x x
x2 x2
in modo analogo a quanto si è fatto per individuare gli assi principali del corpo rigido. In
generale un sistema lineare del tipo
� x1 � � x1 �
� x2 � �x �
� � = −⌦2 � 2 �
d2
dt2 � ⋮ � � ⋮ �
�xn� �xn�
può essere separato in n equazioni disaccoppiate mediante una rotazione nello spazio
(x1, x2, . . . , xn), purché la matrice ⌦2 sia simmetrica. Un esempio è o↵erto nella sezione

seguente.
La soluzione del problema precedente è elementare e certo non richiede l’ausilio del calcolatore.
Tuttavia si presta a evidenziare alcune tecniche di programmazione matlab che sono utili in casi
più complessi. Dovendo risolvere il sistema (1.2) si può ricorrere a una delle routines di soluzione
di equazioni di↵erenziali che le librerie di matlab mettono a disposizione. Le equazioni risolubili
con ode45 (o con le altre routines simili) sono del tipo
dy(t)
= f(t, y(t))
dt
dove y(t) può essere un vettore di qualunque dimensione. Se scegliamo
�x1(t)�
� �
�x (t)�
� 2 �
y(t) = � �
�ẋ1(t)�
� �
�ẋ2(t)�
� �
la soluzione si può impostare cosı̀ (ponendo m = 1)
dueosc.m
function ydot = dueosc(t,x,k,lam)
x1=x(1); x2=x(2); v1=x(3); v2=x(4);
ydot = [ v1; v2;
-(k+lam)*x1+lam*x2; lam*x1 - (k+lam)*x2];
e una semplice chiamata del tipo

[T,X] = ode45(@dueosc,[0,100],[1,0,0,1],[],1,.1);
7
ritorna un vettore di tempi T = {t1 = 0, t2, ..., tN = 100} e una matrice

� x1(t1) x2(t1) v1(t1) v2(t1) �
� �
� x (t ) x (t ) v (t ) v (t ) �
� 1 2 2 2 �
X=� �
� ⋮ ⋮ �
2 2 1 2
� ⋮ ⋮ �
�x1(tN) x2(tN) v1(tN) v2(tN)�
� �
che contiene la soluzione “campionata” negli istanti {tj}. Ovviamente questo modo di risoluzione
si applica anche nel caso di equazioni non lineari. ◁
1.3. Modi normali di n oscillatori accoppiati

La trattazione del sistema descritto nella sezione precedente può essere generalizzata al
caso di n masse interagenti tramite forze elastiche. Esamineremo ora questo problema in
quanto mostra chiaramente l’utilità del calcolo matriciale. Il concetto di “modo normale”
è pure molto importante per le applicazioni. Consideriamo dunque una molla di cui
trascuriamo la massa; ad essa sono attaccate a uguale distanza n masse identiche; gli
estremi della molla sono fissi e si trascurano tutti gli attriti (vedi Fig. 1-2).
Figura 1-2. n oscillatori accoppiati.
Supponiamo che le masse possano subire solo spostamenti longitudinali. Il moto tra-
sversale si può studiare in modo analogo. Siano x1, x2, . . . , xn gli spostamenti delle masse
dai punti di equilibrio. L’energia potenziale del sistema sarà allora data da
V =  � (xj − xj−1)2
1 n+1
2 j=1
dove �(n + 1) è la costante di elasticità della molla e si conviene che x0 = xn+1 = 0.
Tenendo conto che l’energia cinetica è la somma m ∑j ẋ2i , le equazioni del moto sono
1
2
date da
m ẍj =  (xj−1 − 2xj + xj+1)
e possono essere scritte in forma matriciale introducendo la matrice colonna �xj�:
� x1 � �2 -1 0 0
0 . . . . . 0 � � x1 �
� x2 � �-1 . . . . . 0 � � x2 �
� � � ��
2 -1 0
0
� x3 � �0 ..... 0� � �
� � � -1 2 -1
0 � � x3 �
d2 �
� ⋮ �
�
�⋮ ⋮ � �
� ⋮� � ⋮ �
m 2� � = − �
�0
��
dt � x` � � -1 . . . 0 � � �
� � x` �
(1.4)
� ⋮ � �⋮ � � ⋮ �� ⋮ ��
0 ... -1
2
� � � ⋮ � �
� � � ��
�xn−1� �0 0 ..... 0 -1 2 -1 xn−1�
� �
� xn � �0 0 ..... 0 0 -1 2� � xn �
ovvero
8
1.3. MODI NORMALI
ẍ = −⌦2 x
La matrice indicata con ⌦2 è simmetrica: come vedremo in seguito (Cap.2) esiste allora
una rotazione di assi R nello spazio x1, x2, . . . , xn tale che ⌦2 diventa una matrice diago-
nale; le variabili dinamiche ⇠i = ∑ Rijxj si dicono “modi normali” del sistema ed hanno
una evoluzione temporale periodica
⇠˙ i(0)
⇠l(t) = ⇠i(0) cos !it + sin !it .
!i
Vediamo come si trova esplicitamente la rotazione R. Si tratta in pratica di cercare le
soluzioni del sistema lineare
ẍi = −!2 xi ⇒ �(!2 ij − ⌦ij) xj
2
= 0.
j
Il sistema ammette soluzioni se il determinante

��2 − ��
�� -1 0 0 ... 0 ��
�� -1 2 − ��
�� 0 ��
-1 0 . . . 0
�� -1 2 − -1 . . . 0 ��
(1.5) �� ⋮ � � � ⋮ ��
�� 0 . . . -1 2 − -1 ��
�� 0 ��
�� 0 0 . . . 0 -1 2 − ��
si annulla. Otteniamo cosı̀ un’equazione algebrica di grado n nella variabile = !2 e
questa ammette sempre n radici complesse; ma in questo caso le radici sono tutte reali
e positive (di ciò daremo una dimostrazione in generale nel Cap.2). Una giustificazione
intuitiva è fornita dal fatto che radici negative o complesse corrisponderebbero a un moto
smorzato, mentre abbiamo escluso la presenza di forze dissipative, oppure con ampiezza
crescente che contravverrebbero alla conservazione dell’energia totale.
Il metodo più generale per calcolare il determinante Eq. (1.5) è il seguente: sviluppiamo
il determinante secondo la prima riga e otteniamo
det �⌦2 − I� ≡ n = (2 − ) n−1 − n−2
avendo indicato con n−1, n−2, ... determinanti simili a quello che ci interessa ma con
dimensione via via decrescente. L’equazione
n+( − 2) n−1 + n−2 =0
è una equazione alle di↵erenze finite, lineare e omogenea a coefficienti costanti (rispetto a
n). La soluzione generale è data dalla combinazione lineare di due soluzioni indipendenti,
le quali si trovano (in analogia con il caso delle equazioni di↵erenziali) ponendo n = en↵
che ci dà
en↵ + ( − 2) e(n−1)↵ + e(n−2)↵ = 0
ossia
e2↵ + ( − 2) e↵ + 1 = 0
da cui
�
z = e↵ = 12 (2 − ) ± 12 ( − 2)2 − 4
9
Posto = 2(1 − cos #) si trova z = e±i# e dunque la soluzione generale si trova nella forma
n = Aein# + Be−in#
Imponendo le condizioni “al contorno” (n = 1, 2) si determinano A e B:
n = 1 �⇒ A ei# + B e−i# = 2 − = 2 cos #
n = 2 �⇒ A e2i# + B e−2i# = (2 − )2 − 1 = 4 cos2 # − 1
Con un po’ di algebra si trova A = B = − 12 iei#� sin # e infine
sin((n + 1)#)
n =
sin #
Gli zeri del determinante, ossia le frequenze proprie di vibrazione del sistema elastico,
sono date perciò da
� �
!j = j = 2 k�m sin � � , j = 1, 2, . . . n.
j⇡�2
n+1
Indichiamo con ⇠(j) le soluzioni dell’equazione
⌦2 ⇠(j) = !2j ⇠(j)
cioè i modi normali. È possibile fissare un fattore moltiplicativo arbitrario in modo tale
che
� �⇠k �2 = 1 .
(j)
n
k=1
La matrice Rjk =
(j)
⇠krappresenta la rotazione che porta ⌦ alla forma diagonale. Esplici-
tamente si trova �
⇠k =
(j) 2 kj⇡
n+1 n+1
sin .
Lo spettro di frequenze, nel caso di valori molto grandi di n, diventa essenzialmente
quello �
di una corda di violino - cioè frequenze multiple di una frequenza fondamentale
!1 ≈ 2 k�m n+1⇡

.
(n)
Si noterà che i modi normali ⇠j si annullano per j = 0 e j = n+1, il che corrisponde alla
convenzione x0 = xn+1 = 0. In e↵etti un metodo più veloce per determinare le soluzioni consiste
nel ricercare soluzioni del tipo ⇠j = ei↵j e nell’imporre la condizione al contorno alla soluzione
generale. Tuttavia il metodo illustrato qui è più potente. Nel caso di masse diverse oppure molle
di costante elastica di↵erente, in ogni caso il calcolo del determinante si può impostare in modo
ricorsivo, e risolvere in modo efficiente, almeno per via numerica. Ogni qual volta un problema
complesso è ricondotto ad una relazione di ricorrenza che può essere risolta in un numero di
passi proporzionale al numero di gradi di libertà il problema si può considerare risolto, da un
punto di vista pratico. Osservare ad esempio il grande risparmio di operazioni aritmetiche nel
calcolo attraverso la relazione di ricorrenza rispetto al calcolo di un determinante generico (n!
◁

operazioni).
Anche per il problema precedente sarebbe superfluo ricorrere al calcolatore. Tuttavia se le
forze tra le masse fossero leggermente diverse, magari con correzioni al di là della approssimazione
elastica, e conseguentemente le equazioni del moto fossero non–lineari, il ricorso al calcolatore
risulta indispensabile. Questa è stata una delle prime applicazioni dei calcolatori elettronici,
grazie a una felice idea di Enrico Fermi. Per saperne di più provare a chiedere a Google “Fermi
Pasta Ulam”. Rimanendo nel contesto lineare, l’analisi numerica può fornire tecniche per il
10
1.4. SPAZI A INFINITE DIMENSIONI
calcolo dello spettro di matrici anche di grandi dimensioni. Nel caso degli n oscillatori accoppiati
(Eq. (1.4)) lo spettro di frequenze si trova con
nosc.m
F = diag(ones(n,1)) -... % diagonale principale
diag(ones(n-1,1),-1); % diagonale (i-1,i)
F = F + F’; % simmetrizzare F
frequenze = sqrt(eig(F)); % eig ritorna lo spettro di F
avendo posto k = m = 1 senza perdere in generalità. F è una matrice tridiagonale, dunque una
tipica matrice sparsa. In questi casi, se è necessario studiare matrici di grandi dimensioni, si
possono utilizzare matrici specialmente studiate per questi casi. Ad es.
snosc.m - versione ‘‘sparsa’’

F = spdiag(ones(n,1),0,n,n))... % diagonale principale
-spdiags(ones(n-1,1),-1,n,n); % diagonale (i-1,i)
F = F + F’; % simmetrizzare F
freq = sqrt(eigs(F),K,’SA’); % eigs ritorna le prime "K" frequenze
La routine eigs permette di studiare lo spettro di matrici sparse di grandi dimensioni - e

per grandi si intende in certi casi davvero grandi, 106 × 106 o più. ◁
1.4. Spazi a infinite dimensioni

1.4.1. Un sistema con n particelle e n → ∞. Vorrei illustrare un problema fisico
in cui entra la considerazione di uno spazio lineare infinito dimensionale. Consideriamo
un sistema costituito da una corda elastica (lunga L, fissa agli estremi e senza massa) a cui
sono attaccate n masse uguali a distanza L�(n + 1) libere di oscillare in senso trasversale.
La Lagrangiana del sistema (analogamente al caso longitudinale) è data da
L = m � ẏq − 2  � (yq − yq−1)2 .

n n+1
1 2 1
2 q=1 q=1
Indichiamo con M = nm la massa totale, con x = q a la posizione della q-esima particella,

e  = KL�a. Abbiamo visto che il moto è equivalente a quello di n oscillatori indipendenti
(modi normali). Precisamente
�
yq = � sin � � ⌘p
n
2 pq⇡
n + 1 p=1 n+1
�
⌘p = � sin � � yq
n
2 pq⇡
n + 1 q=1 n+1
¨ p = −!2p ⌘p
⌘
�
!p = 2 k�m sin � �.
p⇡
2(n + 1)
Supponiamo di considerare un numero n molto grande di particelle mantenendo però
fissata la massa totale M. Al limite n → ∞ il sistema può essere semplicemente descritto
da una funzione y(x) = y[x�a] considerando x come variabile continua ([x�a] indica la
11
parte intera di x�a). Si avrà

y(q a) − y(q a − a)
2
L= − KL � a � �
1M n 1 n+1
(1.6) � ẏ(q a)2
2 L q=1 2 q=1 a
1 M L @y 2
ˆ L
@y 2
≈ � � dx − KL � � dx
1
ˆ
2 L 0 @t 2 0 @x
ˆ L 2 2
= � ⇢ � � − ⌧ � � � dx
1 @y 1 @y
0 2 @t 2 @x
dove ⇢ = M�L è la densità di massa lineare e ⌧ = KL è la tensione della corda. L’equazione
del moto diventa
@2y KL2 y(q a + a) − 2y(q a) + y(q a − a)
=
@t2 M a2
e al limite per a → 0, considerando soluzioni “lisce” ossia continue e di↵erenziabili,
=
@2y ⌧ @2y
@t2 ⇢ @x2
nota come l’equazione d’onda. I modi normali assumono una forma semplice al limite:
�
p⇡x √
= � sin � � a⌘p
n
2
(n + 1)a p+1
y(x)
L
↓ (n → ∞)
�
2 ∞
= � sin � �
p⇡x
y(x) p .
L p=1 L
Con una serie di trasformazioni si può esprimere tutte le grandezze che entrano nella
dinamica del sistema in termini continui:
L = � ⌘˙ p − � sin2 � � ⌘2
1 Ma n 2 2KL n p⇡
2 L p=1 a p=1 2(n + 1) p
1 ∞ ˙2
→ ⇢ � � − !2p 2p�
2 p=1 p
�
(!p = p ⇡, p = 1, 2, 3, . . .) .
K
M
Le variabili p sono esprimibili in funzione di y(x) secondo le relazioni
�
√
= = � sin � � yq
2a n pq⇡
n + 1 q=1 n+1
p a⌘ p
�
= 2�L � sin � � y(x) a
n
p⇡x
q=1 L
� ˆ L
→ 2�L sin � � y(x) dx
p ⇡.x
0 L
Abbiamo cosı̀ ottenuto un limite continuo per n → ∞. La situazione di può riassumere in
questi termini. La descrizione matematica di una fune elastica con massa uniformemente
distribuita è fornita dalla funzione y(x, t) che rappresenta a t fissato la forma della fune.
12
Figura 1-3. La corda vibrante.
La Lagrangiana del sistema è data dalla Eq.(1.6) da cui si ricava l’equazione del moto
attraverso il principio variazionale di Euler-Lagrange (noi qui le abbiamo ottenute come
limite del caso discreto). Il sistema presenta moti armonici collettivi analoghi ai modi
normali di una catena discreta, in particolare si ha
� ∞
y(x) = 2�L � sin � � p
p ⇡x
p=1 L
� ˆ L
p = sin � � y(x) dx
p ⇡x
2�L
�
0 L
1 ∞ ˙2
L = ⇢ � � p − !2p 2p� , !p =
K
p⇡.
2 p=1 M
La trasformazione y(x) ⇔ p è la classica trasformata di Fourier. Cosı̀ come è scritta
è una relazione formale che acquista significato quando ´si precisano i valori che possono
assumere le p (ad es y(x) deve essere continua con 0 y(x)2dx < ∞). Notiamo che
L
l’analogo della matrice ⌦2 è ora costituito dall’operatore di↵erenziale

@ 2
D = −� �
2
@x
Possiamo allora considerare la trasformazione y(x) → p come una rotazione dello spazio
∞−dimensionale che trasforma l’operatore D2 nella matrice diagonale
�1 0 0 . . .�
�0 . . .�
2 � �
4 0
D → (⇡�L) �0 . . .�
� �
2
0 9
�⋮ ⋮ ⋮ ��
� �
Questa rotazione lascia invariante il prodotto scalare il che si traduce nella relazione ben
nota per la trasformata di Fourier
∞
ˆ L
y(x)2 dx = � 2p
0 p=1
e si può attribuire alla radice quadrata di entrambi i membri dell’equazione il significato

di lunghezza del vettore che rappresenta la forma della fune. Si tratta del primo esempio
esplicito di spazio di Hilbert che verrà studiato nella Parte III.
13
1.4.2. Un’equazione integrale. Un altro metodo per studiare le vibrazioni ela-

stiche di una fune porta ad una equazione solo apparentemente diversa dall’equazione
d’onda. Supponiamo di applicare una forza f trasversalmente ad una fune elastica tesa
tra due punti fissi. Se si assume che la forza sia sufficientemente debole da causare una
L
0 p x
y(p)
Figura 1-4. Deformazione della fune sotto una forza applicata in un punto p.
piccola deformazione, la corda risulta in equilibrio se, detto y(p) lo spostamento della
fune nel punto p di applicazione della forza e detta ⌧ la tensione della fune si ha
f = ⌧y(p)�p + ⌧y(p)�(L − p)
(si considerino molto piccoli gli angoli in 0 e L). Lo spostamento in un punto qualunque
x sarà dato da
�
�
� per x < p
x
�
�
�
y(p)
�p
y(x) = �
�
�
� L−x
�
� per p < x < L .
�
�L − p
y(p)
e in definitiva
x (L − p) per x < p
y(x) = ×�
f
⌧L p (L − x) per p < x < L .
Si noti la forma simmetrica assunta da quest’ultima espressione nello scambio tra x e p.
Applicando n forze f1, f2, ..., fn nei punti p1, p2, ..., pn e sommando tutti gli spostamenti
(cosa lecita trattandosi di piccole deformazioni elastiche) si ottiene
y(x) = � � fk (L − pk) x + � fk (L − x) pk� .

1
⌧L pk <x pk >x
Supponiamo che n sia molto grande in modo da poter considerare la forza distribuita
con continuità sulla fune. Per potere procedere al limite conviene definire fk = f(pk)�n e
porre L�n → d⇠ cosicché si ottiene la semplice formula
L
y(x) = 2 d⇠ f(⇠) �(L − ⇠) x #(⇠ − x) + (L − x) ⇠ #(x − ⇠)�
1
ˆ
(1.7)
⌧L 0
14
con ✓(x) = 1 se x > 0 e 0 altrimenti (funzione di Heavyside). Nota la deformazione y(x),

per risalire alla forza f(x) distribuita lungo la fune bisogna risolvere un’equazione del tipo
ˆ L
y(x) = G(x, ⇠) f(⇠) d⇠
0
ovvero un’equazione integrale. Tenendo conto della relazione
= (x)
d✓(x)
dx
si trova facilmente che
= −f(x)�(⌧L2)
@2y(x)
@x2
il che significa che l’operatore di↵erenziale @2�@x2 e l’operatore integrale (1.7) sono uno
l’inverso dell’altro! La funzione G(x, ⇠) prende il nome di funzione di Green, termine pur-
troppo utilizzato in diversi contesti con diversi significati. Se anziché studiare l’equilibrio
della fune ne studiassimo il moto, al posto della forza dovremmo introdurre (secondo il
principio di D’Alembert) il termine −⇢ @ @t
2 y(x)
2 , essendo ⇢ la densità di massa. L’equazione
del moto è perciò

ˆ L 2
y(x, t) = − �(L − ⇠) x #(⇠ − x) + (L − x) ⇠ #(x − ⇠)� d⇠
⇢ @ y(⇠, t)
L⌧ 0 @t2
Questa equazione è apparentemente equivalente all’equazione d’onda, in vista della pro-
prietà appena verificata, e tuttavia risulta un po’ più generale, in quanto descrive anche
soluzioni non di↵erenziabili rispetto a x, come ad es. quella della fune “pizzicata” in un
solo punto, che presenta un punto angoloso. Vedremo che in generale l’inversione di una
operazione di derivazione porterà ad analoghe espressioni integrali.
15
Problemi
Problema 1. Calcolare il tensore d’inerzia per un cubo omogeneo di lato ` e massa

m.
Problema 2. La matrice
� 2 1 -1�
I = �1 3 1�
�-1 1 1 �
può rappresentare il tensore d’inerzia di un corpo rigido? (Cenno: il prodotto dei
tre momenti d’inerzia principali coincide con il determinante di I.
1 2 3
Problema 3. Calcolare gli assi principali di un corpo rigido avente il seguente tensore
di inerzia √
� 5�4 1�4 -1�√8�
I = � 1�4√ 5�4 √ -1� 8�
�-1� 8 -1� 8 3�2 �
Problema 4. Dimostrare la relazione
r ∧ (! ∧ r) = ! r2 − r (! ⋅ r)
(Cenno: r ∧ (! ∧ r) giace nel piano individuato da ! e da r, dunque
r ∧ (! ∧ r) = A! + Br .
Si proietta la relazione lungo ! e r, e ciò permette di ricavare A e B.)
Problema 5. Considerare la superficie (ellissoide) individuata dall’equazione
� Iij !i!j = 2T = costante
ij
nello spazioe tridimensionale di coordinate (!1, !2, !3).

(a) a) Dimostrare che M è ortogonale al piano tangente all’ellissoide nel punto !.
(b) b) Calcolare la distanza dal centro dell’ellissoide al piano tangente all’ellissoide
in un punto !.
Problema 6. Considerare tre masse uguali vincolate a scorrere senza attrito su un
profilo circolare e collegate a due a due da molle identiche perfettamente elastiche. Risol-
vere il problema del moto individuando i modi normali - si noti che in questo caso una
frequenza risulta essere uguale a zero.
(p)
Problema 7. Calcolare esplicitamente i vettori ⇠j della sez.1.3.
Problema 8. Risolvere il sistema di equazioni di↵erenziali lineari
ẋ1(t) = x1(t) + x2(t)
�
ẋ2(t) = x2(t) .
17
Problemi 1.4
Problema 9. Risolvere il sistema di equazioni di↵erenziali lineari

�
� ẋ1(t) = √12 x2(t)
�
�
�
�
�ẋ2(t) = √12 (x1(t) + x3(t))
�
�
�
�
� ẋ (t) = √12 x2(t) .
� 3
Problema 10. Calcolare la soluzione della equazione d’onda di D’Alembert
= 2
@2⌘(x, t) 1 @2⌘(x, t)
@x2 c @t2
sapendo che ⌘(x, 0) = f(x), � @⌘ �
@t t=0 = 0. (Cenno: sfruttare la soluzione generale ⌘(x, t) =
f(x − ct) + g(x + ct)).
Problema 11. Supponiamo che una corda vibrante sia inizialmente configurata con
⌘(x, 0) = Ax(L-x), ⌘(x,
˙ 0) = 0. Quali modi normali sono eccitati e con quali ampiezze?
Problema 12. Come nel precedente esercizio, ma
�
�
�
�A x per x < `
⌘(x, 0) = �
� per ` < x < L
.
�
L-x
�
�
A`
L-`
Problema 13. Ad uno sca↵ale di legno sono appesi N pendoli identici che risultano
accoppiati tra loro in quanto lo sca↵ale può oscillare orizzontalmente nel piano dei pendoli
con una forza di richiamo elastica K. Determinare i modi normali del sistema accoppiato
sca↵ale-pendoli nel caso di piccole oscillazioni debolmente smorzate dall’attrito.
Soluzioni
#. 13 Si veda [BSRW02] per una trattazione dettagliata. Volendo procedere con le
proprie forze si può analizzare il problema facilmente nel limite di piccole oscillazioni.
Siano ✓i gli angoli e X la coordinata orizzontale dello sca↵ale. Allora la Lagrangiana è
presto formulata come
L= Ẋ + � (`✓˙ i + Ẋ)2 − X −
M⌦2 2 mg`
� ✓2
M 2 m
2 2 i 2 2 i i
che danno le equazioni del moto (⇠ = X�`, ⇢ = m�M)
¨
⇠(t) = −⌦2 ⇠(t) + ⇢!2 � ✓i
i
✓ï(t) = −!2 ✓i(t) + ⌦2 ⇠(t) − ⇢!2 � ✓i(t)

i
Se introduciamo la variabile collettiva ✓∥ = √1N ∑i ✓i e altre N − 1 variabili ✓⊥i nel piano

ortogonale, si vede che le ✓⊥ si disaccoppiano completamente e costituiscono un sottospazio
in cui l’equazione del moto si riduce a
✓¨⊥i = −!2✓⊥i
mentre ⇠ e ✓∥ sono accoppiati:
√
¨ = −⌦2⇠ + ⇢!2 N✓∥
⇠
√
✓¨∥ = −!2 (1 + N⇢) ✓∥ + ⌦2 N ⇠
18
1.4. SOLUZIONI
che ammette soluzioni periodiche con frequenze

�
!2± = 12 �⌦2 + !2(1 + N⇢) ± (⌦2 − !2(1 + N⇢))2 + 4 N ⇢ !2⌦2�
Per ! � ⌦ le due radici diventano approssimativamente
!+ ≈ ⌦ +
N ⇢ !2
4⌦
!− ≈ ! −
N ⇢ !3
4⌦2
e quindi il modo collettivo con tutti i pendoli che oscillano all’unisono è quello con la
frequenza minima. Altra faccenda è quella di studiare le oscillazioni in regime non–lineare.
C’è sempre la possibilità di utilizzare il calcolo numerico. Il codice huygens.m permette
di sperimentare il caso generale con un numero qualunque di pendoli e oscillazioni di
ampiezza arbitraria in presenza di attrito. Per raggiungere uno stato stazionario stabile,
come per gli orologi a cucù presso un tipico orologiaio nelle valli trentine, bisogna anche
prevedere un meccanismo di scappamento che rifornisca il sistema dell’energia dissipata.
Il tutto presenta la complicazione di un sistema non–lineare, e il fenomeno interessante
che si presenta in certi regimi di parametri è quello scoperto da Huygens nel ’600 (v. art.
cit.).
19
II - Operatori Lineari in spazi a dimensione finita
CAPITOLO 2
Spazi Lineari
2.1. Spazi lineari reali

2.1.1. Definizioni fondamentali. La teoria degli spazi lineari si può formulare as-
siomaticamente, in modo simile alla Geometria di Euclide, a partire da un certo numero
di postulati fondamentali che verranno incorporati nella seguente definizione:∗
Definizione 2.1.1. Un insieme R di elementi x, y, z, . . . è detto costituire uno spazio
lineare reale se
i) ad ogni coppia di elementi x, y in R è associato un terzo elemento z ∈ R detto
somma di x con y e indicato convenzionalmente con z = x + y;
ii) per ogni x ∈ R ed ogni numero reale a esiste un elemento di R indicato con a x e
detto prodotto di a per x.
Per le operazioni di somma e prodotto valgono i seguenti assiomi:
I.1) x + y = y + x (commutatività)
I.2) x + (y + z) = (x + y) + z (associatività)
I.3) R contiene un elemento denominato “zero” indicato con 0 tale che x + 0 = x
per ogni x.
I.4) Per ogni x ∈ R esiste un elemento indicato con -x tale che x + (-x) = 0.
II.1) 1x = x,0x = 0
II.2) a (b x) = (a b) x
III.1) (a + b) x = a x + b x
III.2) a(x + y) = a x + a y
Ecco alcuni esempi di spazi lineari reali.
(a) R3: lo spazio dei vettori ordinari in tre dimensioni con le regole usuali (del
parallelogramma) per la somma di vettori e per il prodotto con numeri reali.
(b) Rn: per ogni n intero positivo si considera l’insieme delle n−ple ordinate di numeri
reali x = (x1, x2, . . . , xn), y = (y1, y2, . . . , yn), . . ., con
x + y = (x1 + y1, x2 + y2, . . . , xn + yn)
a x = (ax1, ax2, . . . , axn)
(c) R∞ : lo spazio delle successioni di numeri reali (x1, x2, . . . , xn, . . .) con le operazioni
di somma e prodotto analoghe al caso di Rn.
(d) Lo spazio F(M) delle funzioni a valori reali definite su un insieme arbitrario M
x∶ M � R
∗
Ci basiamo sui testo di Gelfand [Gel89], Shilov [Shi77] e Gantmacher [Gan59].
23
Spazi lineari 2.1
equipaggiato con le operazioni del tutto naturali

(x + y)(m) = x(m) + y(m)
(a x)(m) = a x(m)
Si noterà come quest’ultimo esempio comprenda i precedenti come casi particolari
(M = {1, 2, 3}, M = {1, 2, . . . , n}, M = Z+ ).
(e) Lo spazio Pn dei polinomi p in una variabile reale o complessa x con grado minore
o uguale a n:
p(x) = � pj xj
n
j=0
(rientra in (d) con M = R oppure C e con la restrizione che le funzioni devono
essere polinomi).
(f) Lo spazio M(n, R) delle matrici quadrate a n righe e n colonne
x = �xij�i,j=1,2,...,n
x + y = �xij + yij�
a x = �a xij�
Definizione 2.1.2. Sia R uno spazio lineare. Si dice che k vettori x1, x2, . . . , xk di R
sono linearmente dipendenti se esistono k numeri reali a1, a2, . . . , ak non tutti nulli tali
che
� aj x j = 0
k
j=1
Se k vettori non sono linearmente dipendenti, essi si dicono linearmente indipendenti: ciò
significa che in questo caso la relazione ∑kj=1 aj xj = 0 implica a1 = a2 = . . . = ak = 0.
Risulta immediato dalla definizione che se k vettori x1, x2, . . . , xk sono linearmente
dipendenti, allora almeno uno tra di essi, diciamo xk, è esprimibile come combinazione li-
neare degli altri. Il concetto di lineare indipendenza permette di definire la dimensionalità
di uno spazio lineare. Nel caso più intuitivo dello spazio ordinario (tridimensionale) si ha
che qualunque vettore è esprimibile come combinazione lineare di tre vettori non com-
planari. Dunque nello spazio esistono terne di vettori linearmente indipendenti, ma ogni
gruppo di quattro o più vettori risultano linearmente dipendenti. Uno spazio lineare si
dice avere dimensione finita se esiste un limite superiore al numero di vettori linearmente
indipendenti, e cioè:
Definizione 2.1.3. Uno spazio lineare R si dice n−dimensionale se
i) esso contiene n vettori linearmente indipendenti
ii) n + 1 vettori sono sempre linearmente dipendenti.
Uno spazio lineare si dice infinito–dimensionale se esso contiene n vettori indipendenti
per ogni numero naturale n.
In questa prima parte considereremo solo spazi lineari a n dimensioni. Se non speci-
ficato diversamente, R sarà uno spazio lineare n-dimensionale.
2.1.2. Basi in uno spazio lineare.
Definizione 2.1.4. Ogni insieme di n vettori x1, x2, . . . , xn linearmente indipendenti
in uno spazio R n−dimensionale si dice costituire una base in R.
24
2.1. SPAZI LINEARI REALI
Assegnata una base in R, ogni vettore x si può individuare mediante n numeri reali.
Infatti per ipotesi x, x1, x2, . . . , xn sono linearmente dipendenti e dunque esiste una scelta
di costanti {ai, i = (0, 1, 2, ...n)} tali che
−a0 x + a1 x1 + a2 x2 + . . . + an xn = 0
con a0 ≠ 0 (altrimenti x1, x2, . . . , xn sarebbero linearmente dipendenti, per cui x è espri-
mibile come combinazione lineare dei vettori della base
x = a−1
0 (a1 x1 + a2 x2 + . . . + an xn)
e la corrispondenza x ⇔ {ai�a0} è biunivoca. Dunque uno spazio lineare R è in corrispon-

denza biunivoca con lo spazio delle n-ple ordinate di numeri reali. Tale corrispondenza
è ovviamente dipendente dalla base scelta. Se x = c1x1 + c2x2 + . . . + cnxn, i numeri reali
ci, i = 1, 2, ...n si diranno le componenti di x nella base (x1, x2, . . . xn). È immediato ve-
rificare che le operazioni di somma e di prodotto per un numero reale si traducono nella
somma delle rispettive componenti e nel prodotto delle componenti per lo stesso numero
reale.
x(1) = � cj xj x(1) + x(2) = � (cj + cj ) xj
(1) (1) (2)
n n
j=1 j=1
�⇒
x(2) = � cj xj a x(1) = � (a cj ) xj
(2) (1)
n n
j=1 j=1
Ne segue il
Teorema 2.1.1. Tutti gli spazi lineari n-dimensionali sono tra loro isomorfi. Spazi
lineari con di↵erente dimensionalità sono tra loro non isomorfi.
(per isomorfismo tra spazi lineari si intende l’esistenza di una corrispondenza biunivoca
che rispetta le operazioni di somma e prodotto).
Definizione 2.1.5. Un sottoinsieme R ′ ⊂ R è detto sottospazio di R se esso forma
uno spazio lineare secondo le stesse operazioni definite in R.
L’insieme vuoto {�} e {R} soddisfano banalmente alla definizione e si dicono pertanto
sottospazi impropri . Ogni altro sottospazio verrà detto proprio. L’insieme R ′ di tutte
le combinazioni lineari di k vettori linearmente indipendenti forma un sottospazio lineare
k-dimensionale.
Siano ora (e1, e2, . . . , en) e (e1′ , e2′ , . . . , en′ ) due basi in R. Si avrà allora
e1′ = a11 e1 + a21 e2 + . . . + an1 en
e2′ = a12 e1 + a22 e2 + . . . + an2 en
⋮
en = a1n e1 + a2n e2 + . . . + ann en
′
La matrice �aij� ha determinante non nullo; infatti se fosse det(a) = 0 per il teorema di
Cramer esisterebbe una n−pla di numeri reali non tutti nulli c1, ..., cn tali che
� aijcj = 0
n
i=1
25
Spazi lineari 2.2
da cui seguirebbe
� ciei′ = � � ci aji ej = 0
j i j
ossia {ej′ } non costituirebbe una base. La matrice A = �aij� si dice la matrice di tra-
sformazione dalla base {e} alla base {e ′ }. La conoscenza di A permette di esprimere
le componenti di un vettore rispetto a una base in termini delle componenti rispetto alla
seconda base (ove non ci sia pericolo di ambiguità eviteremo di indicare i limiti delle
sommatorie)
x = � cjej = � ci′ ei′ = � ci′ ajiej

i i i,j
= � �� aji ci′ � ej
j i
da cui
cj = � aji ci′
i
In simbolismo matriciale (adottando la convenzione del prodotto “righe per colonne”) si

ha
� a11 a12 . . . a1n�
� a a . . . a2n�
�e1′ e2′ . . . en′ � = �e1 e2 . . . en� � 21 22 �
� ... �
�an1 an2 . . . ann�
′
� c1� � a11 a12 . . . a1n� � c1�
� c2� � a21 a22 . . . a2n� � c2′ �
� �=� ��
� ⋮� � . . . � � ⋮�
�cn� �an1 an2 . . . ann� �cn′ �
L’espressione di un vettore x in termini delle due basi si può allora ritrovare in questo
formalismo come segue
′
� c1� � c1�
�c � � c′ �
x = �e1 e2 . . . en� � 2� = �e1 e2 . . . en� A � 2�
� ⋮� � ⋮�
�cn� �cn′ �
′
� c1�
� c′ �
= �e1′ e2′ . . . en′ � � 2�
� ⋮�
�cn′ �

Il formalismo matriciale è del tutto equivalente all’uso esplicito degli indici. Conviene familia-
rizzarsi con questo sistema che è alla base della manipolazione di matrici e vettori nel linguaggio
matlab, che verrà utilizzato nel seguito per risolvere problemi di analisi lineare. ◁
26
2.3. SPAZI LINEARI METRICI
2.2. Spazi lineari complessi

Quanto detto finora per gli spazi lineari reali si può ripetere con poche modifiche per
gli spazi lineari complessi , definiti come segue:
Definizione 2.2.1. Un insieme C di elementi ⇠, ⌘, ⇣, ... è detto costituire uno spazio
lineare complesso se
i) identico alla Def. 2.1.1;
ii) per ogni ⇠ ∈ C ed ogni numero complesso ↵ esiste un elemento ↵⇠ ∈ C;
i) e ii) devono soddisfare i seguenti assiomi
I) identico alla Def. 2.1.1
II) 1 ⇠ = ⇠ ; ↵( ⇠) = (↵ ) ⇠;
III) (↵ + ) ⇠ = ↵ ⇠ + ⇠ , ↵(⇠ + ⌘) = ↵ ⇠ + ↵ ⌘.
Per gli spazi lineari complessi si definiscono per estensione dal caso reale i concetti di
lineare indipendenza, dimensionalità, base, sottospazio, componenti e trasformazioni di
base.
Notiamo che per ogni spazio lineare complesso n-dimensionale C può essere riguardato
come uno spazio lineare reale 2n−dimensionale. Sia infatti ("1, "2, . . . , "n) una base in C
e sia ⇠ = ∑i ↵i"i. La corrispondenza
⇠ → {Re{↵1}, Re{↵2}, . . . , Re{↵n}, Im{↵1}, Im{↵2}, . . . , Im{↵n}}
definisce un isomorfismo C � R2n. Da questo punto in avanti tratteremo sempre il caso
generale di spazi lineari complessi.
2.3. Spazi lineari metrici

Le definizioni date finora permettono di sviluppare la geometria “affine”. È noto
che per trattare la geometria Euclidea nello spazio tridimensionale ordinario è necessario
introdurre il concetto di lunghezza di un vettore, ovvero quello di prodotto scalare (o
prodotto “interno”) di due vettori qualunque. A tale scopo si introduce la seguente
definizione:
Definizione 2.3.1. Uno spazio lineare unitario è uno spazio lineare complesso in cui
è definito un prodotto interno, cioè una funzione che associa ad ogni coppia di vettori
⇠, ⌘ un numero complesso, denotato con �⇠, ⌘� in modo tale che i seguenti assiomi siano
soddisfatti:
i) �⇠, ⌘� = �⌘, ⇠�;
ii) �⇠, ↵⌘� = ↵�⇠, ⌘� , (∀↵ ∈ C);
iii) �⇠, ⌘1 + ⌘2� = �⇠, ⌘1� + �⇠, ⌘2�;
iv) �⇠, ⇠� ≥ 0 con �⇠, ⇠� = 0 ⇔ ⇠ = 0 .
� reale, si indica con �⇠� e si chiama norma (o lunghezza) del vettore

In analogia con il caso
⇠ la quantità �⇠� = �⇠, ⇠�. Due vettori ⇠, ⌘ si dicono ortogonali se �⇠, ⌘� = 0.
Esempi di spazi unitari:
a) Sia Cn lo spazio delle n−ple di numeri complessi ⇠ = (z1, z2, . . . , zn). Se ⌘ =
(w1, w2, . . . , wn), si definisce il prodotto interno come
�⇠, ⌘� = � zj wj .
j
27
Spazi lineari 2.3
Si controlla facilmente che tutti gli assiomi della Def. 2.3.1 sono soddisfatti.
b) Sia Pn lo spazio dei polinomi in una variabile reale di grado inferiore a n e con
coefficienti complessi. Si definisce
ˆ 1
�p1, p2� = p1(x) p2(x) dx
−1
c) Sia Qn lo spazio dei polinomi in una variabile complessa di grado inferiore a n.

Si definisce
q1(x + iy) q2(x + iy)
�q1, q2� =
¨
(1 + x2 + y2)n+1
dx dy .
R2
Sia (e1, e2, . . . , en) una base in C. Dalle proprietà del prodotto interno segue che la
conoscenza della matrice
hij = �ei, ej�
è sufficiente per calcolare il prodotto interno di qualunque coppia di vettori. Infatti se
⇠ = ∑ ziei, ⌘ = ∑ wiei , si ha
�⇠, ⌘� = �� ziei, � wjej, �
= � zi wj�ei, ej�
i,j
= � zi hij wj
i,j
La matrice �hij� si dice la matrice metrica dello spazio unitario C e gode delle seguenti
proprietà:
i) hij = hji, ovvero h è Hermitiana;unamatricea valoricomplessichecoincideconlatravestaconiuge
ii) per ogni n−pla di numeri complessi ↵1, ...↵n si ha ∑ij ↵i hij ↵j ≥ 0 e il segno di
uguaglianza vale solo se tutte le ↵j sono nulle. Si dice che h è positiva definita.
Ogni matrice che soddisfa i) e ii) può essere utilizzata per definire un prodotto interno.
Teorema 2.3.1. Ogni spazio unitario ammette basi ortonormali ossia tali che la
matrice metrica è data dalla matrice unità hij = ij.
Dimostrazione. Da una qualunque base (e1, e2, ..., en) si costruisce una base orto-
�e , e � �e1, e2�
normale (f1, f2, ..., fn) attraverso il procedimento di Schmidt: Sia f1 = e1, f2 = � 1 1 �,
e1 e2
e in generale per k ≤ n
�� e1, e1� �e1, e2� . . . �e1, ek� ��
��
�� e2, e1� �e2, e2� . . . �e2, ek� ��
��
fk = �� ⋮ ⋮ ⋮ ⋮ ��
��
��ek-1, e1� �ek=1, e2� . . . �ek-1, ek��
�� e1 e2 ... ek ��
Si verifica immediatamente che fk è ortogonale a tutti i vettori e1, e2, ..., ek-1 e quindi a
tutti gli f1, f2, ..., fk-1. Resta ora solo da “normalizzare” i vettori della nuova base, ossia
si moltiplica ogni fk per �fk�-1. �
28
2.3. SPAZI LINEARI METRICI
In pratica, avendo costruito la matrice metrica h, per ogni k si prende il minore

�hij�i,j≤k e si sostituisce l’ultima riga con {e1, ..., ek}.
Si noti che in una base ortonormale le componenti di un vettore sono date dal prodotto
scalare con i vettori di base, cioè
⇠ = � ↵j ej
j
�ek, ⇠� = � ↵j �ek, ej� = ↵k

j
2.3.1. Matrici unitarie. Siano (e1, e2, ..., en) e (e1′ , e2′ , ..., en′ ) due basi ortonormali;
sarà allora, per quanto appena detto
ei′ = � uji ej .
j
La matrice U = �uij� ha come elementi di matrice uij = �ei, ej′ �. Se scambiamo una base
con l’altra troviamo che la matrice U gode di una notevole proprietà:
u = �e , e ′ � = �e ′ , e � = (U -1)
ij i j j i ji
cioè la matrice inversa di U si ottiene prendendo la coniugata complessa della matrice

trasposta, detta in breve la coniugata Hermitiana di U, indicata con U † . Si noti che,
come si controlla immediatamente ricorrendo alla rappresentazione in componenti, la
coniugazione Hermitiana soddisfa l’identità
�⇠, A ⌘� = �A† ⇠, ⌘� .
iii
per ogni matrice complessa A.
ix Ah
p
Definizione 2.3.2. Una matrice U si dice unitaria se soddisfa la condizione
iiai
U U† = U† U =
È
(il simbolo indicherà sempre la matrice unità, la matrice con elementi uguali a uno sulla
diagonale e zero altrove, ij = ij). Il
La definizione rappresenta la naturale estensione al caso di spazi lineari unitari del insaporiti
concetto di matrice ortogonale che, per spazi reali, costituisce la generica matrice di
trasformazione da una base ortonormale ad un’altra. Per le matrici ortogonali si ha
O-1 = O ′ , indicando con O ′ la matrice trasposta (convenzione adottata anche in matlab).
Segue immediatamente dalla definizione che il determinante di una matrice unitaria è un
numero complesso di modulo uno:
� det(U)�2 = det(U) det(U † ) = det(U U † ) = 1 .
Si osservi che il prodotto di due matrici unitarie è ancora una matrice unitaria. L’insieme
delle matrici unitarie di dimensione n forma pertanto un gruppo, essendo verificati anche
tutti gli altri assiomi (associatività, esistenza dell’elemento neutro e dell’inverso). A titolo
di esempio consideriamo il caso più semplice non banale, quello delle matrici unitarie di
dimensione 2, denominato gruppo U(2). Dalla condizione
-1
� � =� �
↵ ↵
29
cit ii
Spazi lineari 2.3
e indicando con = ei' il determinante della matrice, segue = ↵ ei', = − ei', e perciò
ogni matrice unitaria 2 × 2 è della forma
U =� �
↵
- ei' ↵ ei'
con la condizione �↵�2 + � �2 = 1. Il sottoinsieme caratterizzato da = 1 forma un sotto-
gruppo indicato con SU(2), il gruppo delle matrici unitarie 2 × 2 con determinante uguale
a uno. Una conveniente parametrizzazione è la seguente† :
� � = cos (✓�2) + i sin (✓�2) n ⋅

↵
- ↵
essendo n = (n1, n2, n3) un qualunque vettore reale di lunghezza uno (un “versore”) e
= ( 1, 2, 3) una tripletta di matrici Hermitiane
=� �
01
1
10
=� �
0 -i
2
i 0
=� �
1 0
3
0 -1
note come matrici di Pauli (introdotte in realtà dal matematico inglese Arthur Cayley
decenni prima‡ , e già note sotto forma di algebra dei quaternioni da W.R. Hamilton,
1843).
Figura 2-1. Brougham Bridge, Dublin, dove i quaternioni sono venuti alla luce.
†
Equivalente alla rappresentazione in termini di quaternioni, q ∈ Q: U � q0 + q1 i + q2 j + q3 k, ∑ q2j = 1.
‡
L’opera omnia di Cayley si trova on line attraverso Wikipedia.
30
2.4. FUNZIONALI LINEARI E SPAZIO DUALE
Problema 2-1. Date due matrici unitarie parametrizzate in termini di (✓, n), deter-
minare il loro prodotto, facendo uso della identità §
j k = jk + i � "jkm m
m
Il gruppo SU(2) è intimamente legato al gruppo delle rotazioni in tre dimensioni reali,
ossia al gruppo delle matrici ortogonali SO(3) (vedi Probl.72).
2.4. Funzionali lineari e spazio duale

Dato uno spazio lineare C, consideriamo una applicazione
∶C�C
cioè una funzione definita in C e a valori complessi, che soddisfi alle seguenti proprietà:
(⇠ + ⌘) = (⇠) + (⌘)
( ⇠) = (⇠) ( ∈ C)
si dice allora un funzionale lineare su C. Dati due funzionali lineari 1 e 2 possiamo
considerare la loro combinazione lineare = ↵1 1 + ↵2 2 definita nel modo naturale
(⇠) = ↵1 1(⇠) + ↵2 2(⇠)
Il funzionale nullo 0 ∶ C � 0 è un funzionale lineare. In definitiva l’insieme di tutti

i funzionali lineari su C forma a sua volta uno spazio lineare complesso C � che viene
chiamato spazio duale di C .
Teorema 2.4.1. Esiste una corrispondenza biunivoca C ⇔ C � ; dunque C � è uno spazio
lineare della stessa dimensione di C.
Dimostrazione. Sia (e1, e2, ..., en) una base di C; si avrà
(⇠) = (� ↵iei) = � ↵i (ei) .
i i
Siano i(i = 1, ..., n) i funzionali lineari definiti da

i(ej) = ij ;
Si ha allora
(⇠) = � ↵i (ej) j(ei) = �� (ej) j� (⇠) .
ij j
Ogni funzionale lineare è pertanto esprimibile come combinazione lineare degli n funzionali
lineari i. �
La base { i} in C � è detta la base duale rispetto alla base {ei} in C. Finora non si
è considerata una struttura metrica in C. Supponiamo ora che C sia uno spazio unitario.
Allora si ha
Teorema 2.4.2. Sia C uno spazio unitario. Allora in corrispondenza ad ogni ∈ C�
esiste un unico vettore ♯ ∈ C tale che
(⇠) = � ♯
, ⇠�, (∀⇠ ∈ C) .
§
" è il simbolo di Ricci, definito da "123 = "231 = "312 = 1, "132 = "213 = "321 = -1, "ijk = 0 negli altri casi (due
indici uguali).
31
Spazi lineari 2.4
Dimostrazione. La dimostrazione è molto semplice se introduciamo una base e poi

dimostriamo che la corrispondenza non dipende dalla base. Diamo qui una dimostrazione
diversa, che ammette una estensione immediata al caso ∞−dimensionale. L’insieme dei
vettori ⇠ tali che (⇠) = 0 (il nucleo di ), forma un sottospazio di C, indicato con
N ( ). Se la dimensione di N è n allora è il funzionale nullo e la corrispondenza è
banale. Supponiamo dunque dim(N ) < n. Allora necessariamente dim(N ) = n − 1, come
si può facilmente dimostrare. Sia N ⊥ ( ) l’insieme dei vettori ortogonali ad ogni vettore
in N ( ). Scegliamo un vettore ⌘ ∈ N ⊥ ( ). Vale l’identità
(⌘)
(⇠) = �⌘, ⇠�
�⌘�2
(2.1)
ossia la corrispondenza cercata è

(⌘) ♯
=
�⌘�2
⌘.
Infatti, decomponiamo ⇠ secondo N ( ) e N ⊥ :

⇠ = ⇠0 + ↵ ⌘, ⇠0 ∈ N ( ) .
La costante ↵ si determina calcolando su ambo i membri il funzionale lineare, (⇠) =
↵ (⌘) e prendendo il prodotto scalare con ⌘:
�⌘, ⇠� = ↵ �⌘, ⌘� .
Dividendo membro a membro si elimina ↵ e si ottiene la relazione cercata Eq. (2.1). �
Notiamo che la corrispondenza → ♯ gode delle proprietà seguenti:
1+ ⇔ ♯1 + ♯
2 2
↵ ⇔ ↵ ♯.
Tale corrispondenza si dice antilineare.
2.4.1. La notazione di Dirac. Nel suo libro “The principles of Quantum Mecha-
nics” [Dir29], Dirac ha introdotto un formalismo per indicare funzionali lineari e vettori
che è ormai universalmente adottato nelle applicazioni alla Meccanica Quantistica, in
quanto o↵re una notevole facilità di uso e si presta ad automatizzare certe operazioni sui
vettori. Conveniamo di indicare i vettori in C con un simbolo (“ket”)
�⇠�
La lettera ⇠, o un arbitrario insieme di simboli, posto all’interno del simbolo di ket ha la

funzione di identificare il vettore.
Questa idea, apparentemente di scarso peso, risulta in realtà preziosa nelle applicazioni alla
Fisica atomica o nucleare, dove non di rado si trovano espressioni quali
�J M�j1 j2 m1, m2�
�� j1 j2 j3
o anche
��
��m1m2m3�
�� E, P, ±
�
che porrebbero altrimenti qualche problema tipografico. ◁
32
2.4. FUNZIONALI LINEARI E SPAZIO DUALE
Denotiamo poi un generico funzionale lineare con il simbolo (“bra”)

� �
con la convenzione che il valore che il funzionale assume su un vettore si indica affiancando
semplicemente i due simboli
(⇠) ≡ � �⇠� .
Dato che ad ogni funzionale ∈ C � corrisponde un unico vettore ♯ ∈ C, per il Teor. 2.4.2,
il simbolo � �⇠� assume lo stesso valore di ( ♯ , ⇠) e dunque possiamo abbandonare com-
pletamente la notazione �., .� per il prodotto interno e mantenere l’unica notazione � � �.
Vale la proprietà scalare
� �⇠� = �⇠� � .
In realtà nel caso presente degli spazi finito–dimensionali la considerazione dello spazio
duale non sarebbe strettamente necessaria, ma è utile familiarizzarsi adesso con questi
concetti, in quanto la loro introduzione sarà indispensabile nel caso ∞−dimensionale.
La notazione di Dirac presenta notevoli vantaggi formali (e anche pratici). Per fare un
esempio, ricordiamo che per ogni vettore vale la decomposizione
prodottasolocomponentevistocon ad
funi
⇠ = � ei(ei, ⇠) en
Isiao
È
i dellalowortam
essendo {ei} i vettori di una base ortonormale. Nella nuova notazione si ha
�⇠� = � �ei� �ei�⇠�
i
ovvero
opuntono
�⇠� = �� ei� �ei�� ⇠�
i
che si può interpretare come il fatto che l’espressione formale ∑i �ei� �ei�, quando appli-
cata a un qualunque vettore, lo lascia inalterato. D’altra parte l’espressione �⌘� �⌘� ha
il significato di proiettore lungo la direzione individuata dal vettore �⌘�, infatti secon-
do la convenzione di Dirac, l’espressione �⌘� �⌘�⇠� rappresenta il vettore �⌘� moltiplicato
per il numero complesso �⌘�⇠�. In conclusione la somma dei proiettori lungo i vettori
di una base ortonormale lascia invariato ogni vettore dello spazio. Questo fatto si dice
costituire la “relazione di completezza” per i vettori �ei�. Vedremo meglio tutto ciò più
avanti in termini di “operatori lineari”. Tenendo presente che, nel senso specificato prima,
∑i �ei� �ei� = , si ha
�⌘�⇠� = �⌘� � �ei� �ei�⇠�
i
= � �ei�⌘� �ei�⇠�
i
che riproduce il prodotto interno in termini di componenti.

Sia ora {ei′ } una seconda base ortonormale in C, allora
�ei′ � = � �ej� �ej�ei′ � ≡ � �ej� aji
j j
�ei� = � �ej′ � �ej′ �ei� ≡ � �ej′ � a-ji1

j j
33
Spazi lineari 2.4
dunque aji = �ej�ei′ � è la matrice di trasformazione dalla base {ei} alla {ei′ }. Se {ei′′ } è
una terza base, si avrà
aij = �ei�ej′ � = � �ei�ek′′ � �ek′′ �ej′ � = (Ae→e Ae )ij
′′ ′′ →e
k
ovvero le matrici di trasformazione da una base all’altra si compongono secondo il prodotto
“righe-per-colonne”. Indubbiamente il formalismo di Dirac permette di ricavare queste
relazioni senza sforzo.
Eh
34
CAPITOLO 3
Operatori Lineari
3.1. Definizioni fondamentali

Abbiamo studiato e classificato nel capitolo precedente (2.4) le applicazioni lineari
∶ C � C. È possibile estendere lo studio di tali funzioni al caso di corrispondenze
più generali del tipo ∶ C � C ′ dove C e C ′ sono spazi lineari complessi di qualunque
dimensione n e n ′ . Tuttavia ci limiteremo al caso speciale in cui C ′ coincida con C (i
Matematici parlano allora di endomorfismi dello spazio lineare C).
Definizione 3.1.1. Una applicazione A ∶ C � C che associa ad ogni vettore �⇠� ∈ C un
vettore A �⇠� ∈ C è detta un operatore lineare in C se le seguenti condizioni sono soddisfatte:
i) A (�⇠� + �⌘�) = A �⇠� + A �⌘�
ii) A ( �⇠�) = A �⇠� , (∀ ∈ C)
Consideriamo alcuni esempi di operatori lineari.
a) Sia R3 lo spazio tridimensionale reale; R(^ n, ↵) sia la rotazione di un angolo ↵
^ . Allora la rotazione è realizzata sui vettori dalla trasforma-
intorno al versore n
zione
(3.2) R(^
n, ↵) x = cos(↵) x + sin(↵) n
^ ∧ x + (1- cos ↵)(^
n ⋅ x) n
^.
R è un operatore lineare in R3.
b) Sia �⌘� un vettore di lunghezza uno in C. L’espressione
P = �⌘� �⌘�
definisce P come operatore lineare intendendo per convenzione che per ogni �⇠� ∈ C
si abbia
P �⇠� = �⌘� �⌘�⇠�
P è chiamato il proiettore lungo �⌘� in quanto ogni vettore viene trasformato in
un multiplo di �⌘�. È lo stesso concetto di proiezione di un vettore lungo una
direzione che si ha in Geometria Euclidea.
c) Sia Cn lo spazio delle n−ple complesse e sia �aij� una qualunque matrice n × n.
Allora la trasformazione
reca vadato di rima
(A ⇠)i = � aij ⇠j
definisce A come un operatore lineare.

j
Ai
Iif
tanti
d) Sia Pn lo spazio dei polinomi nella variabile complessa z aventi grado inferiore o
uguale a n. Sia
D p(z) =
dp(z)
dz
D è un operatore lineare.
35
Operatori Lineari 3.1
e) L’operatore identità e l’operatore nullo O, definiti da

�⇠� = �⇠� ; O �⇠� = 0 .

sono i casi estremi di operatori lineari.
Esistono molti “zeri” da tenere concettualmente distinti: il numero zero 0, il vettore nullo
0, l’operatore nullo O, etc. Ove non si creino ambiguità utilizzeremo in tutti i casi, per non
appesantire troppo il formalismo, il simbolo 0. ◁
Teorema 3.1.1. Ogni operatore lineare è individuato dalla sua azione sui vettori di
una base.
Dimostrazione. Sia A un operatore lineare, e sia �ei� � i = 1, .., n} una base. Sia
inoltre
A �ej� = � aij �ei�
i Alei eillei c e i Alei lei
Allora si ha patientia
A �⇠� = A � ⇠j �ej� = � aij ⇠j �ei�
j ij
L’azione di A è perciò “rappresentata” dalla matrice aij sulle componenti dei vettori e
diremo che �aij� è la matrice rappresentativa di A nella base prescelta. �
Sia C uno spazio unitario. Allora le coordinate di A �i� nella base ortonormale �i� sono
date da
�j� A �⇠� = � �j� A �i� �i�⇠� .
i
Dunque in una base ortonormale la matrice rappresentativa di qualunque operatore lineare
A è data da Aij = �i� A �j�.
3.1.1. Cambiamenti di base. Sotto un cambiamento di base ortonormale �↵� =
∑j �j� �j�↵� = �j� Sj↵, la matrice rappresentativa di ogni operatore viene modificata attra-
verso una trasformazione di similitudine:
VI
A↵′ = �↵� A � � = � �↵�i� �i� A �j� �j� p� = � U↵i Aij U j
u vip
ij ij
La matrice rappresentativa nella base “greca” è data quindi da

(3.3) A′ = U A U† ≡ U A U-1
vadoperché ilcambiamentodilosevada
L’espressione U A U è più generale in quanto vale anche nel caso di basi non–ortonormali.basiquasi
- 1
Due matrici legate tra loro dalla relazione (3.3) si dicono matrici simili e condividono sia maidata1
unitario
numerose proprietà, come vedremo in seguito.
Esempio. Consideriamo l’operatore D introdotto in precedenza (esempio d). Il pro-
dotto interno è definito in modo che
1
�k� → � � zk , (i = 0, 1, ..., n)
n 2
k
sia una base ortonormale. La matrice rappresentativa di D si calcola facilmente:
�
n 2 k-1 � √
1
D �k� = � � k z = �� k �k-1� = k (n − k + 1) �k-1�

n n
k k k-1
36
3.1. DEFINIZIONI FONDAMENTALI
√
da cui
�h� D �k� = k (n − k + 1)
�
h,k-1
Se poniamo n = 2j, k = m+j troviamo che gli elementi di matrice divengono (j+m)(j-m+1)
che coincidono con quelli della componente Jx-iJy del momento angolare in meccanica
quantistica [LL76]. ◁
3.1.2. Algebra degli Operatori lineari. Se consideriamo l’insieme B(C) di tutti
gli operatori lineari in uno spazio n−dimensionale C, troviamo che è possibile definire su ta-
le insieme una struttura algebrica. Innanzitutto B è uno spazio lineare n2−dimensionale;
ciò si riconosce dal fatto che in modo del tutto naturale si possono definire le operazioni
di somma e di moltiplicazione per numeri complessi:
(A + B) �⇠� ≡ A �⇠� + B �⇠�
( A) �⇠� ≡ A �⇠�
La matrice rappresentativa della somma A + B in una qualunque base è data dalla somma
delle rispettive matrici. Ora, ogni operatore lineare si può esprimere come combinazione
lineare degli n2 operatori E(ij) aventi rappresentazione matriciale
�k� E(ij) �h� ≡ ki jh
cioè la matrice E(ij) ha tutti elementi nulli, tranne quello nella k−esima riga, h−esima
colonna. Ovviamente
Aij = � Akh ki hj = � Akh Eij
(kh)
kh kh
e dunque A = ∑ Akh E(kh) .

Si può inoltre definire il prodotto di due operatori come segue
(AB) �⇠� ≡ A(B �⇠�)

L’ordine dei fattori nel prodotto di operatori è essenziale, in generale infatti BA ≠ AB, cosı̀
◁

come è vero per la moltiplicazione delle matrici.
Gli operatori di rotazione (esempio a a pag.35) o↵rono un esempio importante di operatori
non–commutanti. Per esercizio controllare ad es. che rotazioni intorno all’asse x e rotazioni
◁

intorno all’asse y di un angolo retto non commutano tra loro.
Il prodotto tra operatori lineari si traduce in prodotto righe × colonne delle rispettive matrici
rappresentative. Infatti
�i� A B �j� = � �i� A �k� �k� B �j�
k
ossia
(A B)ij = � Aik Bkj
k
◁
3.1.3. Funzioni di Operatori lineari. Le operazioni definite in B permettono di

definire polinomi di un operatore: se p(x) = ∑ akxk si definisce
p(A) ≡ a0 + a1A + a2A2 + ... + anAn
37
essendo per convenzione A0 = , A1 = A, ..., Ak+1 = A Ak. L’obiettivo, interessante per

le applicazioni, è quello di dare significato a f(A) quando f(z) appartenga ad una deter-
minata classe di funzioni, ad es. f analitica. La prima estensione è quella alle funzioni
analitiche intere (cioè prive di singolarità) per le quali si utilizza la serie di Taylor
∞ ∞
f(z) = � anzn ⇒ f(A) = � anAn .
n=0 n=0
Ciò è di immediato interesse per le applicazioni, ad es. il sistema di↵erenziale
�⇠, t� = A �⇠, t�
d
dt
ovvero in componenti
� ⇠1(t)� � a11 a12 a13 . . . a1n� � ⇠1(t)�
⇠2(t)� � a21 . . . a2n� � ⇠2(t)�
d ��
a22 a23
� ⇠3(t)� = � a31 . . . a3n� � ⇠3(t)�
dt � � � ��
a32 a33
� ⋮� � ⋮ � ⋮� � . . .�
�⇠n(t)� �an1 an2 an3 . . . ann� �⇠n(t)�
ha come soluzione formale
�⇠, t� = exp{t A} �⇠, 0�
dove exp{t A} ≡ ∑0
∞
tn An�n!.Si pone il problema di controllare la convergenza di una
serie di potenze in un operatore lineare. A tale scopo conviene introdurre il concetto di
norma:
Definizione 3.1.2. Si dice che l’applicazione A ∈ B � �A� ∈ R+ definisce una norma
se sono soddisfatte le seguenti condizioni
i) �A� ≥ 0, (�A� = 0 ⇒ A = O)
ii) � A� = � ��A� ( ∈ C)
iii) �A + B� ≤ �A� + �B�
iv) �A B� ≤ �A� �B�
Una possibile definizione di norma è data da
�A⇠�
�A� = sup = max �A �⇠��
�⇠� �⇠�⇠�=1

L’uso del simbolo �.� in vari contesti potrebbe ingenerare confusione: usiamo �aij� per indicare
sinteticamente una matrice A,��⇠�� per la lunghezza del vettore �⇠� e ora per indicare la norma di
un operatore. Dal contesto dovrebbe essere chiaro a quale caso di faccia riferimento, comunque
si richiede al lettore una certa attenzione. Il vantaggio è quello di non introdurre un numero
eccessivo di notazioni diverse. ◁
Teorema 3.1.2. Una serie di potenze ∑∞ n

0 anz con raggio di convergenza ⇢ dà luogo
a una serie convergente ∑0 anA secondo la norma �.� se �A� < ⇢.
∞ n
Dimostrazione. Dalle proprietà della norma (iii − iv) segue che
�� ak Ak� ≤ � �ak� �Ak� ≤ � �ak� �A�

M M M
k
N N N
e dunque è soddisfatta la condizione di Cauchy. �

38
Nel caso di funzioni “intere”, cioè con la sola singolarità all’infinito, la serie di Taylor
converge per ogni operatore lineare. Vedremo in seguito un metodo generale per il calcolo
di funzioni di operatore basato sulla “teoria spettrale”. Per il momento notiamo che,
essendo B(C) uno spazio a dimensione finita, nella successione {Aj � j = 0, 1, 2, ..., k, ...} da
un certo k in poi le potenze di A saranno linearmente dipendenti dalle potenze più basse.
Ciò permette in alcuni casi di sommare rapidamente la serie di Taylor. Si mostrerà più
avanti che esiste per ogni operatore lineare A un polinomio P(z) di ordine non superiore a
n = dim(C) tale che P(A) = 0; questo polinomio si calcola facilmente una volta introdotta
una rappresentazione in una base e cioè P(z) = det(z − A) e risulta indipendente dalla
base prescelta.
Problema 3-2. Calcolare la funzione exp{i t 1} essendo 1 la prima matrice di Pauli
(vedi il § 2.3.1 a pag.30).
0 (it)
Soluzione. La serie ∑∞ n n�n! si può facilmente risommare osservando che 2
=
1 i
e quindi
∞
(it)n n ∞ (-)n t2n ∞
(-)n t2n+1
� = � + �
n! 1 n=0 (2n)! n=0 (2n + 1)!
i 1
0
= cos(t) + i sin(t) 1
=� �
cos(t) i sin(t)
i sin(t) cos(t)
◁
Problema 3-3. Lo stesso problema precedente ma per la matrice
1 �
0 1 0�
J = √ �1 0 1� .
2 �0 1 0�
Soluzione. Suggerimento: cercare una relazione che leghi J3 alle potenze inferiori.
Provare a utilizzare il risultato anticipato nel testo.
Problema 3-4. Si calcoli la funzione f( 1) per
(a) f(z) = sin(z)
(b) f(z) = 1�(1 + "z)
(c) f(z) = log(1 + "z)

Si sarà notato, nell’ultimo problema, che si sono considerate anche funzioni non intere, e
quindi la convergenza non vale incondizionatamente (vincolo su "). La funzione ( +A)-1 ritorna,
se esiste e se la serie converge, giusto l’operatore inverso di +A. Questo caso particolare rientra
◁

in uno ben più generale che vedremo in seguito.
Il linguaggio matlab o↵re un ausilio molto potente per manipolare matrici e vettori, costi-
tuendo un vero e proprio laboratorio di calcolo. Assumiamo che il lettore sia familiare con le
basi del linguaggio e le convenzioni adottate. In matlab la funzione esponenziale di matrici è
realizzata dalla funzione expm, ad es.
>> s1=[0,1;1,0];
>> expm(i*pi/2*s1)
ans =
0 0 + 1.0000i
0 + 1.0000i 0
39
Tuttavia può risultare più efficiente risolvere direttamente l’equazione

d
�t� = i 1 �t�
dt
attraverso la routine ode45: si definisce una funzione
function y=pauli(t,x)
s1=[0,1;1,0];
y=i*s1*x;
e si trova in un colpo solo il valore di exp{i t 1} con il comando
>> t=linspace(0,2*pi,128);
>> [T,firstcolumn]=ode45(@pauli,t,[1;0]);
>> [T,secondcolumn]=ode45(@pauli,t,[0;1]);
(ode45 è solo una delle numerose routines di soluzione numerica di equazioni di↵erenziali ordi-
narie; si consulti la documentazione per scegliere quella più adatta al proprio problema). Caso
per caso sarà chiaro se interessa l’intera matrice exp{A} oppure la sua azione su un singolo
vettore e si sceglierà di conseguenza la routine più economica. Se si desidera un risultato esatto
si può utilizzare un linguaggio simbolico quale Mathematica:
Figura 3-1. Calcolo di expm con Mathematica, N.1
La vita è comoda: anche il secondo esercizio si risolve senza fatica
Figura 3-2. Calcolo di expm con Mathematica, N.2
Tuttavia conviene agli inizi allenarsi a calcolare senza questi ausili automatici – inoltre non è
consigliabile affidarsi acriticamente a questi strumenti! ◁
40
3.1.4. L’operatore inverso.

Definizione 3.1.3. Un operatore lineare A si dice invertibile se esiste un operatore
lineare denotato con A-1 tale che per ogni � � ∈ C si abbia (per economia, indicheremo con
il ket senza etichetta un generico vettore dello spazio C)
A A -1 � � = A -1 A � � = � � .
A-1, se esiste, si dirà l’inverso di A.
Teorema 3.1.3. Un operatore A ∈ B(C) è invertibile se e solo se esso definisce una
trasformazione biunivoca di C in sè.
Dimostrazione. Supponiamo che A �1� = A �2�; l’esistenza dell’inverso implica A-1 A �1� =
�1� = A-1 A �2� = �2�. Viceversa se da A �1� = A �2� discende �1� = �2� si può dedurre che
A �� = 0 non ammette soluzioni tranne il vettore nullo. Sia allora �fi� = A �ei� per una
base di vettori {�ei�}. Allora anche {�fi�} costituisce una base, in quanto 0 = ∑i ↵i �fi� =
A (∑i ↵i �ei�) impone che tutti gli ↵ siano nulli. Si definisce allora
A-1 �f � = �e �
i i
e si estende A-1 per linearità a tutto lo spazio. �

La matrice rappresentativa della matrice A-1, se esiste, è semplicemente la matrice
inversa della matrice che rappresenta A. Ricordiamo come si caratterizza una matrice
invertibile e come si costruisce la sua inversa. Assegnata una matrice A = �aij� vale la
seguente proprietà (sviluppo di Lagrange)
i No
� aik Ajk = det(A)
k pi ij
essendo Ajk il complemento algebrico corrispondente all’elemento ajk. Questa relazione

vale qualunque sia il valore del determinante; se det(A) ≠ 0 allora la matrice è invertibile
e precisamente
a
mattina
dicapalgerinotrapar
(A )jk = Akj� det(A) .
- 1

La formula di Lagrange per l’inversa di una matrice è consigliabile solo per matrici di piccole
dimensioni; infatti il numero di operazioni necessarie cresce come il fattoriale della dimensio-
ne della matrice. Esistono algoritmi molto più efficienti (Gauss) e questi sono utilizzati nei
programmi di calcolo automatico. Si veda [GL96]. ◁
Problema 3-5. Dimostrare che la matrice inversa dell’operatore

A + " �⇠� �⌘�
ottenuto aggiungendo un proiettore all’operatore invertibile A è esprimibile, per " suffi-
cientemente piccolo, come
(A + " �⇠� �⌘�)-1 = A-1 − " (1 + " �⌘� A-1 �⇠�)-1 A-1 �⇠� �⌘� A-1 .
Nel caso più semplice, la formula ci dà
( + " �⇠� �⌘�)-1 = − " (1 + " �⌘�⇠�)-1 �⇠� �⌘� .
che si ricava facilmente sviluppando in serie di Taylor.
41
3.2. Teoria spettrale

Veniamo ora al punto centrale della teoria degli operatori lineari. Si presenta spesso
il problema di trattare funzioni di operatori lineari, in genere funzioni analitiche∗ . Per
superare le limitazioni inerenti alla definizione attraverso serie di potenze, discuteremo
ora la possibilità di stabilire una formula di tipo Cauchy
f(A) ≡ (z − A)-1 f(z) dz

1
‰
(3.4) ^
2⇡i
cercando un’opportuno cammino di integrazione in campo complesso. La notazione f^
sta a distinguere tra l’applicazione f ∶ C � C e f^ ∶ B � B. Se f(z) non è intera ma è
definita analitica solo in un dominio D ⊂ C, allora sarà necessario delimitare anche un
dominio di definizione per f.^ Abbiamo visto nel capitolo precedente i criteri per stabilire
l’esistenza dell’operatore inverso
R(z) = (z − A)-1
che chiameremo d’ora in poi l’operatore risolvente di A. Definiamo ora lo spettro di
A, indicandolo con (A), l’insieme dei valori complessi di z per i quali z − A non è
invertibile. Notiamo che, per definizione, si ha che per ogni ∈ (A) deve esistere almeno
un vettore � � diverso dal vettore nullo tale che
( − A) � � = 0
ossia
A� �= � �.
Il vettore � � ha dunque la proprietà di essere lasciato invariato in direzione dall’ap-
plicazione di A; si dice che � � è un autovettore di A appartenente all’autovalore ∈
(A).
Teorema 3.2.1. Lo spettro di un qualunque operatore lineare A in uno spazio finito
dimensionale è un insieme finito non–vuoto di punti nel piano complesso.
Dimostrazione. La dimostrazione si dà facilmente introducendo una base e la rap-
presentazione matriciale di A � �aij�. Allora la condizione ∈ (A) si traduce in
( ) ≡ det ( ij − aij) =0
Ora, è immediato verificare che ( ) è un polinomio di grado n = dim(C) in ; ne
discende che l’equazione ( ) = 0 ammette n radici complesse, eventualmente non tutte
distinte. �

È immediato verificare che non dipende dalla scelta della base. Infatti abbiamo visto che
le matrici che rappresentano lo stesso operatore in due basi di↵erenti sono legate tra loro da una
relazione di equivalenza A ′ = S A S-1: ne segue do do
147 detti Fi ti
det( − A ′ ) = det( − S A S-1) = det(S ( − A) S-1) = det( − A)
Dato che dipende solo dall’operatore A e non dalla base scelta, esso viene chiamato polinomio
caratteristico di A. ◁
∗
In seguito considereremo anche funzioni più generali quali �X �, sgn(X ), arg(X ), etc.
42
3.2. TEORIA SPETTRALE
Siamo ora in grado di formulare una definizione di funzione analitica di operatore in

termini di una formula integrale simile a quella di Cauchy (formula di Riesz–Dunford
[GL74])
Definizione 3.2.1. Sia A un qualunque operatore lineare in B(C); sia (A) il suo
spettro e sia f(z) una funzione analitica definita regolare in un dominio D contenente
un aperto (non necessariamente connesso) U ⊂ C di cui gli autovalori siano punti interni;
inoltre supponiamo che la frontiera @U di U sia una curva di Jordan orientata nel modo
usuale (antiorario). Si definisce allora
f(A) ≡ (z − A)-1 f(z) dz

1
‰
(3.5) ^
2⇡i @U
Esempio. Sia A → 1, f(z) = eitz. Allora

-1
R(z) = (z − 1)
−1
=� �
z -1
-1 z
= (z2 − 1)-1 � �
z1
1z
Se ne deduce che (A) = {1, -}. Come dominio U possiamo scegliere ad esempio un cerchio
di raggio maggiore di uno centrato in z = 0. Si trova allora
e�
xp(A) = � � dz
1 eitz z 1
‰
2⇡i z2−1 1 z
�z�=2
e il nostro compito si limita al calcolo dei due integrali
I1 =
1 eitz
‰
z2−1
dz
2⇡i
�z�=2
I2 =
1 eitz
‰
z2−1
z dz
2⇡i
�z�=2
che si valutano con il metodo dei residui. Il risultato finale è stesso che avremmo ottenuto
sommando la serie di Taylor
e� 1�2) =� �.
cos(t�2) i sin(t�2)
xp(i t
i sin(t�2) cos(t�2)
◁
Problema 3-6. Applicare la definizione al caso f(z) = eitz e
�0 -i 0�
A → � i 0 -i�
�0 i 0�
◁
Una prima proprietà importante della applicazione f^ è la seguente
43
Teorema 3.2.2. Vale la relazione
f̂1(A) f̂2(A) = f�
1 f2(A)
se f1 e f2 sono definite in un dominio comune che soddisfi alle ipotesi della Def. 3.2.1.
Dimostriamo preliminarmente il
Lemma. Per il risolvente vale l’identità
R(z) − R(w)
R(z) R(w) = −
z−w
(3.6)
Dimostrazione. La prova del lemma è ovvia: si moltiplicano ambo i membri per

(z -A)(w − A). Veniamo ora al teorema. Scegliamo il cammino di integrazione @U1
interamente all’interno di @U2. Si ha allora
f̂1(A) f̂2(A) = f1(z) f2(z ′ ) R(z)R(z ′ ) dz dz ′

1
‰ ‰
(2⇡i)2
@U1 @U2
Utilizzando il Lemma si ottiene

f2(z ′ ) ′
f̂1(A) f̂2(A) = − f1(z) R(z)
1
‰ ‰
(2⇡i)2 z − z′
dz dz
@U1 @U2
��
�⇒−2⇡if2 (z)
f1(z)
+ f2(z ′ ) R(z ′ ) dz dz ′
1
‰ ‰
(2⇡i)2 z − z′
@U2 @U1
��
�⇒ 0
= f1(z) f2(z) R(z) dz

1
‰
2⇡i
@U1
avendo applicato due volte il teorema di Cauchy, nel secondo caso z è esterno al cammino
di integrazione e quindi l’integrale si annulla. �
Ciò mostra in definitiva che la definizione di f^ rispetta la struttura algebrica delle
funzioni analitiche sotto somma e prodotto. Questo fatto sarà molto utile nel seguito.
3.2.1. Proprietà dello Spettro.
Teorema 3.2.3. Autovettori corrispondenti ad autovalori distinti sono fra loro linear-
mente indipendenti.
Dimostrazione. Siano { 1, ..., r} autovalori distinti di A e {� 1� , ..., � r�} gli auto-
vettori corrispondenti. Supponiamo che valga la relazione
� ck � k� = 0
r
1
Applicando 1, 2, .., r − 1 volte l’operatore A si otterrà
� k� = 0 (j = 1, ..., r) .
r
� ck
j-1
k
1
44
Ma la matrice � jk-1�, nota come matrice di Vandermonde ha determinante uguale a

�( j− k)
j<k
ed è diverso da zero. La matrice è dunque invertibile e si conclude che tutte le costanti

ck devono annullarsi. �
Corollario. Se un operatore lineare ammette tutti autovalori distinti in numero pari
alla dimensione dello spazio i suoi autovettori formano una base.
Un operatore lineare i cui autovettori formino una base è detto diagonalizzabile, nel
senso che la sua matrice rappresentativa nella base degli autovettori assume la forma
� 1 0 ............ 0�
�0 0�
� 2 0 .........
�
�0 0�
� 0 3 0 ...... �
A→�
�⋮ � �� ⋮ �
�
�⋮ �� ⋮ �
� �
� �
�0 . . . . . . . 0 n-1 0�
�0 .......... 0 n�
ossia, in breve, aij = j ij.

^
La formula per f(A), nel caso di matrici diagonali, dà
semplicemente
�f( 1) 0 . . . . . . . . . . . . . . . . . . 0 �
� 0 f( 2) 0 . . . . . . . . . . . . 0 �
� �
� 0 0 f( 3) 0 . . . . . . . . . 0 �
� �
^ →�� ⋮ � �� ⋮ ��
� ⋮ ⋮ �
f(A)
� ��
� �
� 0 . . . . . . . . . . . . . . 0 f( n-1) 0 �
� 0 ................ 0 f( n)�
e dunque l’operazione di “diagonalizzare” una matrice risolve completamente il problema
^
di calcolo per f(A). Però non tutti gli operatori lineari sono diagonalizzabili. Esami-
neremo nel capitolo seguente il caso più generale e troveremo le condizioni necessarie e
sufficienti per la diagonalizzabilità.
3.2.2. La Decomposizione Spettrale. Siano { 1, 2, ..., m} gli autovalori distinti
di A ciascuno con molteplicità {r1, r2, ..., rm} (∑ rk = n = dim(C)). Ciò equivale ad
a↵ermare che il polinomio caratteristico è dato da
(A, z) = det(z − A) = � (z − k)
m
rk
.
k=1
Il generico elemento di matrice del risolvente è della forma
(z − A)ij =
Aij
(A, z)
ossia è una funzione razionale di z avente poli di ordine ≤ rk nei punti che costituiscono lo
spettro. La formula di Riesz–Dunford si può allora trasformare introducendo lo sviluppo di
Taylor di f(z) attorno a ciascun autovalore. Siano k contorni semplici ciascuno contenente
al suo interno un solo autovalore (vedi Fig. 3-3).
45
= ∑k
⌫ ⌫
Figura 3-3. @U k
Troviamo dunque
f ( k)
rk -1 (`)
= (z − A) (z − k) dz
m
� �
1
‰
(3.7) ^
f(A) - 1 `
2⇡i k=1 k `=0 `!
f ( k) (`)
m rk -1 (`)
≡� � Ek ,
k=1 `=0 `!
(`)
dove si sono introdotti gli operatori Ek secondo la definizione
Ek ≡ (z − A)-1 (z − k)` dz .
(`) 1
‰
2⇡i k
Scriveremo allora
r( )-1
f(`) ( ) (`)
(3.8) ^
f(A) = � � E ,
∈ (A) `=0 `!
Siamo ora in grado di dimostrare alcune proprietà fondamentali dalla corrispondenza
f(z) � f(A)
^ definita attraverso la formula di Riesz–Dunford - una proprietà la abbiamo
già mostrata in precedenza (Teor. 3.2.2).
Teorema 3.2.4. Se f(z) = zm allora f(A)
^ = Am
Dimostrazione. Segue dal Teor. 3.2.2, tuttavia una dimostrazione diretta o↵re qual-
che spunto interessante (Cauchy al lavoro). Per m = 0 si ha
(z − A) dz = ( − A�z)-1
1 1 dz
‰ ‰
- 1
2⇡i @U 2⇡i @U z
46
Scegliendo il contorno come un cerchio centrato i zero e raggio R, l’integrale �z�=R( −

⌫
A�Re-i✓)-1 d✓ non dipende da R e quindi possiamo prendere R grande a piacere. Nel

limite si ha
= (z − A)-1 dz ≡ � E
1 (0)
‰
2⇡i ∈ (A)
Analogamente si trova
A= � � E +E �
(0) (1)
∈ (A)
e in generale
Ak = � � kE +k + ...�
(0) k-1 (1)
E
∈ (A)
che ci porta all’identità, valida per ogni polinomio p(z),

r -1
1 d` p( )
p(A) = � � � �E .
(`)
d `
∈ (A) `=0 `!
�

Se mandiamo all’infinito il grado del polinomio e la serie cosı̀ ottenuta converge in un cerchio
che contiene al suo interno lo spettro di A, allora la formula precedente mostra che anche la
serie ∑∞k ck A converge. La definizione che abbiamo dato in termini della formula di Riesz–
k
^
Dunford è però più generale in quanto dà significato a f(A) anche se non esiste alcuno sviluppo
�
in serie convergente. Un esempio elementare è il seguente: si voglia calcolare log(A) e lo spettro
contenga un punto e il suo opposto − . Ogni cerchio che contenga entrambi deve contenere
anche il punto di diramazione del logaritmo e perciò non esiste sviluppo in serie che si presti
alla definizione, mentre l’integrale di Riesz–Dunford è perfettamente definito – pur richiedendo
una scelta convenzionale della determinazione del logaritmo. ◁
Dimostriamo ora una proprietà notevole degli operatori E .

=
(`) (`′ ) (`+`′ )
Teorema 3.2.5. E E ′ ′ E
Dimostrazione. Utilizziamo ancora il Lemma 3.2. Si trova
E E ′ = (z − )` (z − ′ )` R(z) R(z ′ )dz dz ′
(`) (`′ ) 1 ′
‰ ‰
(2⇡i)
(3.9) 2
′
= dz R(z)(z − ) (z − ′ )` (z ′ − z)-1 dz ′
1 ′
‰ ‰
`
(2⇡i)2
′
��
(�)
+ dz ′ R(z ′ )(z ′ − )
′ `′
(z − )` (z − z ′ )-1 dz
1
‰ ‰
(2⇡i)2
′
��
(��)
Consideriamo prima il caso ≠ ′ : in entrambi gli integrali che non contengono il risolvente
(� e ��) la singolarità è esterna al cammino di integrazione e dunque otteniamo il fattore
′ . Per = ′ , scegliamo interno a ′ . Allora �� si annulla e il primo integrale ci dà
quanto a↵ermato dal teorema. �
47
Problema 3-7. Ricavare il Teor. 3.2.2 utilizzando il Teor. 3.2.5

Per ogni ∈ (A) sappiamo che E = 0 per ` ≥ r (ricordiamo che r è la mol-
(`)
teplicità dell’autovalore). D’altronde, per il teorema appena dimostrato, abbiamo che

E = (E )`, ossia tutti gli operatori E sono esprimibili come potenze del caso ` = 1.
(`) (1)
Conviene allora introdurre una notazione che alleggerisce le formule:

≡P , ≡E .
(0) (1)
Definizione 3.2.2. E E
Potremo dunque riscrivere lo sviluppo (3.8) nella forma
f ( ) `
r -1 (`)
(3.10) ^
f(A) = � �f( ) P + � E �.
∈ (A) `=1 `!
Come casi particolari notiamo la relazione di completezza
(3.11) = � P
∈ (A)
e la decomposizione spettrale
(3.12) A= � ( P +E )
∈ (A)
Gli operatori P e E soddisfano le identità (già dimostrate)
P Pµ = µP P Eµ = Eµ P = µE

Operatori, che come gli operatori P, soddisfano l’identità P2 = P si dicono operatori di
proiezione. ◁
Definizione 3.2.3. Sia ⌫ il più piccolo intero (0 ≤ ⌫ ≤ r − 1) tale che E⌫ ≠

0 , E⌫ +1 = 0; ⌫ è detto l’indice dell’autovalore .
Teorema 3.2.6. Si dice polinomio minimale di A il polinomio definito da
0(z) = � (z − )1+⌫ .
∈ (A)
Allora vale 0(A) = 0, e o è il polinomio di grado minimo tra tutti quelli per cui p(A) = 0.
Dimostrazione. Si applichi la (3.10) con f(z) = 0(z). Ovviamente un polinomio
di grado inferiore darebbe luogo a una derivata non nulla in qualche termine del tipo
E . Si noti che il polinomio caratteristico soddisfa (A) = 0, un risultato che era
f(`) ( ) `
�
`!
noto a Cayley .
Siamo ora in grado di formulare il teorema generale sulla diagonalizzabilità .
Teorema 3.2.7. Per ogni operatore lineare A in uno spazio lineare n−dimensionale
C, le seguenti a↵ermazioni sono equivalenti:
i) A è diagonalizzabile, cioè ammette una base di autovettori;
48
ii) E = 0 per ogni ∈ (A);

iii) tutti gli elementi di matrice del risolvente R(z) = (z − A)-1 presentano al più
poli del primo ordine;
iv) A soddisfa un’equazione algebrica con tutte radici semplici.
Dimostrazione. Dimostriamo (i) �⇒ (iv) �⇒ (iii) �⇒ (ii) �⇒ (i). Nella
base degli autovettori A è rappresentato da una matrice diagonale
� 0 ....................... 0 �
� �
1 r 1
� 0 0 ................ 0 �
� �
2 r 2
� �
� �
0 0 3 r 3 0 ............. 0
� ⋮ � �� ⋮ �
� �
� ⋮ �� ⋮ �
� �
� �
� 0 . . . . . . . . . . . . . . . . 0 m-1 r 0 �
� �
m -1
0 .................. 0 m r m
dove k è la matrice unità k × k; ne segue che il prodotto (A − 1 ) (A − 2 ) . . . (A −

m ) risulta nullo in quanto ogni singolo fattore presenta un blocco nullo (Or k ) lungo
la diagonale ossia
�Or 1 0 .................................... 0 �
� 0 ( 2 − 1) r �
� 0 ...................... 0 �
� 0 ( 3 − 1) r 3 0 . . . . . . . . . . . . . . . . . . . . �
� �
2
� �
0 0
A− 1=� ⋮ � �� ⋮ �
� �
� ⋮ �� ⋮ �
� �
� 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0 ( m-1 − 1) r �
� 0 �
� 0 ................................ �
m -1
0 ( m− 1) r m
... per tutti i blocchi diagonali fino all’m−esimo ...
�( 1− m) r 0 ..................................... 0 �
� ( 2− m) ....................... 0 �
1
� �
0 r 2 0
� ( 3 − m) r 3 0 . . . . . . . . . . . . . . . . . . . . . 0 �
� 0 0 �
A− m=�
� ⋮ � �� ⋮ ��
� ⋮ �� ⋮ �
� �
� �
� 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0 ( m-1 − m) r 0 �
� 0 ................................. 0
m -1
Or m �
e questo fissa (i) �⇒ (iv). Sia ora (A) ≡ ∏k(A − zk) = 0, con tutti gli zk distinti (iv)).
Ne segue
(z) − (A)
R(z) = (z − A)-1 ≡
1
(z) z −A
;
Ora ( (z) − (A))�(z − A) è un polinomio in z e quindi le uniche singolarità del risol-

vente vengono da (z) e dunque si tratta di poli semplici ((iv) �⇒ (iii)). (iii) �⇒ (ii)
segue immediatamente dalla definizione di E . Infine da (ii) segue che la decomposizione
49
spettrale assume la forma più semplice
A= � P
∈ (A)
Dalla relazione di completezza Eq. (3.11) inoltre per ogni vettore vale la decomposizione
�⇠� = � P �⇠� .
∈ (A)
Ma ogni componente P �⇠� soddisfa l’equazione agli autovalori

A P �⇠� = � µ Pµ P �⇠� = P �⇠� .
µ
il che mostra che ogni vettore è decomponibile in componenti che sono autovettori di A.
Assumiamo ora che gli autovettori di A non formino una base. Sia �altro� uno dei vettori
linearmente indipendente dagli autovettori che si debbono aggiungere per ottenere una
base. Ma anche �altro� si può decomporre in �altro� = ∑ ∈ (A) P �altro� ed è quindi
esprimibile come combinazione lineare di autovettori, il che contraddice l’ipotesi. �

Gli operatori di proiezione (X2 = X) sono diagonalizzabili; al contrario gli operatori nilpotenti
(E⌫+1 = 0) non sono diagonalizzabili. ◁
A titolo di curiosità, perchè la cosa non rappresenta grandi vantaggi sul piano pratico,
^
citiamo il seguente risultato: per ogni funzione f(z) tale che f(A) sia ben definita, esiste un
polinomio Pf(A) di grado non superiore a dim(C) − 1 tale che Pf(A) ≡ f(A). ^ Il polinomio
è dato dalla formula integrale
f(z) 0(z) − 0(⇣)
Pf(⇣) =
1
‰
0(z) z−⇣
dz .
2⇡i
infatti
f(z) 0(z) − 0(A)
Pf(A) =
1
‰
0(z) z −A
dz
2⇡i
^ in quanto 0(A) ≡ O.

e la formula coincide con la definizione di f(A)
Ci si può chiedere cosa succede nel caso in cui non valgano le condizioni del Teor. 3.2.7.
L’operatore in questo caso non possiede abbastanza autovettori per costruire una base. La sua
forma matriciale standard non sarà una matrice diagonale, bensı̀ una matrice del tipo
� 1 r + Er 0 ........................................ 0 �
� + Er �
1 1
� 0 0 ......................... 0 �
� �
2 r
� + �
2 2
E
� �
0 0 3 r 3 r 3 0 ....................... 0
� ⋮ � �� ⋮ �
� �
� ⋮ �� ⋮ �
� �
� + Er �
� 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0 m-1 r 0 �
� �
m -1 m -1
0 ................................. 0 m r m
+ Er m
dove le matrici E rappresentano gli operatori E ; si tratta di matrici nilpotenti, caratterizzate

cioè dal fatto che la loro potenza E⌫ +1 si annulla. In generale si ha che il difetto nel numero
di autovettori per arrivare a n è fatto dalla somma degli indici ⌫ . L’analisi del caso non–
diagonalizzabile è chiaramente più complessa e a consolazione dello studioso, le applicazioni alla
50
3.3. OPERATORI AUTOAGGIUNTI, UNITARI, NORMALI
Meccanica Quantistica sono per lo più libere da questa complicazione. Un esempio di matrice
di questo tipo è la seguente
�0 1 0 0 �
�0 0 1 0 �
X=� �
�0 0 0 0 �
�0 0 0 a�
Il polinomio caratteristico è (z) = z3(z − a), e la matrice ammette solo due autovettori
�1� �0�
�0� �0�
�1� � � � , �2� � � �
�0� �0�
�0� �1�
L’autovalore 0 ha molteplicità 3, ma il risolvente ha in 0 un polo del terzo ordine:
�1�z 1�z 1�z 0 �

2 3
� 0 1�z 1�z2 0 �
R(z) = � �
� 0 0 1�z 0 �
� 0 0 1 �
0 z−a
e dunque ⌫0 = 2. Si noti che matrici di questo tipo costituiscono un problema anche dal punto
di vista numerico, in quanto il calcolo dello spettro può presentare instabilità. Consideriamo
infatti una matrice leggermente modificata
�0 1 0 0�
�0 0�
X(") = � �
0 1
�" 0 0 0�
�0 0 0 a�
Lo spettro in questo caso è dato da (X(")) = {"1�3, "1�3 e2⇡i�3, "1�3 e4⇡i�3, a} cioè esso è costituito
da quattro autovalori distinti e la matrice risulta diagonalizzabile. Immaginiamo cosa succede se
invece di un blocco 3-dimensionale si trattasse di un blocco K-dimensionale con K molto grande
e ammettiamo che " sia in realtà un piccolo errore che si è inserito nel calcolo della matrice
ottenuta per via numerica. L’errore sullo spettro risulta dell’ordine di "1�K che può risultare
molto grande anche se " ≈ 10-16. Le problematiche relative alla diagonalizzazione di matrici
anche di grandi dimensioni sono a↵rontate esaurientemente su [GL96]. ◁
3.3. Operatori Autoaggiunti, Unitari, Normali

Tutte le considerazioni riguardanti la decomposizione spettrale di operatori lineari
presentate finora hanno fatto riferimento a un generico spazio lineare finito–dimensionale.
Studiamo ora il caso di uno spazio unitario e restringiamo l’attenzione a classi particolari
di operatori lineari per le quali esiste un teorema di diagonalizzabilità molto semplice.
Definiamo innanzitutto il concetto di aggiunto Hermitiano di un operatore lineare
(temporaneamente utilizziamo la “vecchia” notazione per il prodotto interno)
Definizione 3.3.1. Dato un operatore lineare H, per ogni vettore ⌘ ∈ C la relazione
⌘(⇠) = �⌘, H⇠�
definisce un funzionale lineare ⇠ � ⌘(⇠). Per il Teor. 2.4.2 esiste un unico vettore ♯
tale che ⌘(⇠) = � ♯⌘, ⇠�. Si pone allora

⌘
1
perilteatrodiRitaognifuriadi
♯
⌘ = H† ⌘ .
51 puòun recintocomeprodotto solare
Si verifica facilmente che H† è un operatore lineare; esso è detto l’aggiunto Hermitiano di

H. Vale dunque la relazione �⌘, H⇠� = �H† ⌘, ⇠� ovvero nel formalismo di Dirac
�⌘� H �⇠� = �⇠� H† �⌘� .
In una base ortonormale, la matrice che rappresenta H† è data dalla coniugata Her-
mitiana di H:
�i� H† �j� = �j� H �i� .
Diamo ora alcune definizioni di fondamentale importanza in vista delle applicazioni:
Definizione 3.3.2. Un operatore lineare H si dice autoaggiunto se H = H† .
Definizione 3.3.3. Un operatore lineare U si dice unitario se U U† = U† U = .
Definizione 3.3.4. Un operatore lineare N si dice normale se N N† = N†N .
Illustreremo ora alcune proprietà notevoli degli operatori cosı̀ definiti.

Teorema 3.3.1. Tutti gli autovalori di un operatore autoaggiunto sono reali.
Dimostrazione.
H � � = � � �⇒ � � H � � = � � � �⇒ � � � = � � H � � = � � H† � � = � � �
�
Lemma. Sia � � un autovettore dell’operatore autoaggiunto H, appartenente all’auto-
valore . L’insieme dei vettori ortogonali a � � è un sottospazio di dimensione n − 1 che
è lasciato invariante da H (ciò significa che se � �⇠� = 0 allora vale anche � � H �⇠� = 0).
(La dimostrazione è immediata).
sost agostomatosi
SI LI
Teorema 3.3.2. Ogni operatore autoaggiunto ammette una base di autovettori tra
loro ortogonali.
Dimostrazione. Sappiamo che ogni operatore lineare H ammette almeno un au-
tovettore. Sia � 1� tale autovettore; per il lemma, il sottospazio ⊥1 ortogonale a � 1� è
invariante sotto l’azione di H; dunque H definisce un operatore autoaggiunto nel sotto-
spazio ⊥1; esisterà dunque un secondo autovettore � 2� ∈ ⊥1; il sottospazio ⊥12 ortogonale
a entrambi gli autovettori è a sua volta lasciato invariante da H, e l’argomento si ripete
sino ad esaurire tutto lo spazio. �
n �∞
Nel caso di spazi a infinite dimensioni il quadro è più complesso. Gli autovettori di
un operatore autaggiunto non costituiscono infatti, in generale, una base ortonormale. Si veda
il Cap. 4.3.
Teorema 3.3.3. Condizione necessaria e sufficiente affinché un operatore lineare H
sia autoaggiunto è che esista una base ortogonale rispetto a cui H sia rappresentato da
una matrice diagonale con elementi reali.
APPUNTI
(La dimostrazione è lasciata per esercizio). Ci si può convincere facilmente che
ogni operatore autoaggiunto è diagonalizzabile anche attraverso il seguente argomento.
Supponiamo che
(H − )m � � = 0 , (m > 1)
52
3.3. OPERATORI AUTOAGGIUNTI, UNITARI, NORMALI
Segue che
(H − )m-1 � � = 0
infatti, essendo reale si ha
�(H − )m-1 � �� = � � (H − )m-2(H − )m � � = 0
2
Applicando ricorsivamente il risultato si ottiene

(H − )� � = 0, (m > 1)
e dunque il polinomio minimale di ogni operatore autoaggiunto ha tutti fattori semplici e ci
troviamo perciò nel caso (iv) del Teor. 3.2.7. L’ortogonalità degli autovettori appartenenti
ad autovalori distinti è conseguenza immediata della relazione
( − ′
) � � ′� = � ′� A � � − � � A � ′� = 0

Gli operatori P nel caso autoaggiunto sono rappresentabili nella forma
r
P = � � , ↵� � , ↵�
↵=1
◁
3.3.1. Operatori Unitari. Vediamo subito una caratterizzazione geometrica degli

operatori definiti nel Cap. 3.3.
isomorfismo oaddiritturaautomorfismo
Teorema 3.3.4. Un operatore unitario costituisce una trasformazione biunivoca dello
spazio in sè che lascia invariato il prodotto interno di ogni coppia di vettori
�U⌘, U⇠� = �⌘, ⇠� .
Dimostrazione. La biunivocità segue dal fatto che U è invertibile, inoltre �U⌘, U⇠� =
�⌘, U† U⇠� = �⌘, ⇠� . �
Teorema 3.3.5. Un operatore lineare che lasci invariante il prodotto interno è uni-
tario.
Dimostrazione. Da �U⌘, U⇠� = �⌘, ⇠� segue �⌘, U† U⇠� = �⌘, ⇠� e quindi U† U = ;
allora det(U† U) = 1 = � det(U)�2; dunque U è invertibile e l’inverso è U† . �
n �∞
È da sottolineare il fatto che da U† U = segue U U† = solo nel caso di spazi
finito–dimensionali. Nel caso infinito–dimensionale infatti esistono operatori non invertibili che
lasciano invariante il prodotto interno.
La matrice che rappresenta un operatore unitario in una qualunque base ortonormale
ha proprietà notevoli. Da
� Uik Ujk = ij
k
segue che le righe (e le colonne) della matrice costituiscono un insieme di n vettori
ortogonali e normalizzati.
Teorema 3.3.6. Gli autovalori di un operatore unitario sono numeri complessi di
modulo uno.
53
Dimostrazione. Infatti, sia U � � = � �, allora

� � � = � � U† U � � = � �2 � � �
�
Teorema 3.3.7. Sia � � un autovettore dell’operatore unitario U. Il sottospazio orto-
gonale a � � è lasciato invariante da U. (Ovvio dal momento che U lascia invariato il prodotto
interno).
Lo stesso tipo di argomento applicato al caso degli operatori autoaggiunti porta dunque
a concludere che
Teorema 3.3.8. Ogni operatore unitario è diagonalizzabile in una base ortogonale.
Abbiamo raggiunto dunque una proprietà simile per tutta la classe degli operatori
autoaggiunti e per quella degli operatori unitari. La di↵erenza tra i due casi è costituita
dal fatto che lo spettro della prima classe è contenuta sull’asse reale, quello della seconda
nella circonferenza di raggio uno. Ciò suggerisce che ogni funzione f(z) che trasformi la
retta nel cerchio dovrebbe trasformare un operatore autoaggiunto in uno unitario. Ad es.
f(z) = exp{i ↵ z}, oppure f(z) = (z − i)�(z + i).
Problema 3-8. Dimostrare, utilizzando la decomposizione spettrale, che per ogni ope-
ratore autoaggiunto H, gli operatori exp{i H} e (H − i)(H + i)−1 definiscono operatori
unitari.
Operatori autoaggiunti e operatori unitari sono casi particolari di operatori normali.
Vogliamo ora mostrare che la condizione
[N , N † ] = N N † − N † N = 0
rappresenta la condizione necessaria e sufficiente affinché N sia diagonalizzabile in una
base ortogonale.
3.3.2. Operatori Normali.
Lemma. Siano A e B sue operatori commutanti (A B − B A ≡ [A, B] = 0). Allora
il sottospazio Sa generato dagli autovettori di A appartenenti a un certo autovalore a è
invariante rispetto a B. Di conseguenza due operatori che commutano hanno almeno un
autovettore in comune.
Dimostrazione. Sia A �a� = a �a�. Allora
A{B �a�} = BA �a� = a {B �a�}
e dunque �a� ∈ Sa ⇒ B �a� ∈ Sa. B definisce un operatore lineare nel sottospazio Sa che
contiene tutti gli autovettori di A appartenenti ad a ed ha perciò almeno un autovettore
in Sa. �
Teorema 3.3.9. Siano A e B due operatori autoaggiunti in C. Condizione necessa-
ria e sufficiente affinché A e B ammettano una base di autovettori comuni è che essi
commutino.
Dimostrazione. Sia [A, B] = 0. Esiste allora almeno un autovettore comune �1�
con A �1� = a1 �1� , B �1� = b1 �1�. Il sottospazio S1⊥ ortogonale a �1� è invariante rispetto a
entrambi gli operatori, dunque A e B definiscono due operatori autoaggiunti commutanti
54
3.4. FUNZIONI DI PIÙ OPERATORI LINEARI
in S1⊥ . Sia �2� un autovettore comune in S1⊥ . Procedendo successivamente in questo modo,
si ottiene una base comune ortogonale. Il viceversa è ovvio, in quanto matrici diagonali
commutano tra loro. �
Teorema 3.3.10. Un operatore lineare è diagonalizzabile in una base ortogonale se e
solo se esso è normale.
Dimostrazione. Dimostriamo la necessità. Sia Nij = i ij la matrice che rappre-
senta N nella base dei suoi autovettori. Allora N † è diagonale con elementi Nij = i ij (per
questo è essenziale che la base sia ortogonale) le due matrici rappresentative commutano
e dunque N è normale. Viceversa, supponiamo che N sia normale, e poniamo
H1 = N + N † , H2 = i(N − N † ) .
H1 e H2 sono operatori autoaggiunti e commutanti, cui si può applicare il teorema
precedente. Indipendentemente dal Teor. 3.3.9 si può argomentare anche come segue:
sia
(N − )⌫ �⇠� = 0
Mostriamo che ciò implica (N − ) �⇠� = 0 e quindi che il polinomio minimale di N deve
avere tutte radici semplici. Sia N ≡ N − e per ogni k compreso tra 0 e ⌫ troviamo
�N N �⇠�� = �⇠� N N
⌫-k †k k † ⌫-k
N ⌫-k N † k �⇠� = �N ⌫ �⇠�� = 0 .
Ne segue N ⌫-kN † k �⇠� = 0 e anche (N ± N † )⌫ �⇠� = 0 . Ma (N + N † ) e i(N − N † ) sono
autoaggiunti per cui si conclude che N �⇠� = 0. �
3.4. Funzioni di più operatori lineari
3.4.1. Insiemi completi di operatori autoaggiunti. Consideriamo un certo nu-
mero ` di operatori autoaggiunti A1, A2, ..., A` a due a due commutanti. Ad ognuno di
essi è associata una decomposizione spettrale
Aj = �
(j) (j)
i Pi .
i
(j)
Lemma. I proiettori Pi commutano tutti a due a due.
Dimostrazione. È noto che i proiettori sono esprimibili attraverso la formula di
Riesz–Dunford in termini del risolvente dell’operatore e quindi sono funzioni dell’opera-
tore; la commutatività è quindi diretta conseguenza della commutatività degli operatori
Aj. �
Teorema 3.4.1. Gli operatori
Pi1 i2 ...i` ≡ Pi1 Pi2 . . . Pi`
(1) (2) (`)
sono proiettori ortogonali e cioè

Pi1 i2 ...i` Pj1 j2 ...j` = Pi1 i2 ...i` i1 j1 i2 j2 ... i` j`
(immediata conseguenza del lemma).

Data una funzione di più variabili f(z1, z2, . . . , z`) definiamo una funzione degli ope-
ratori Aj come segue
^ 1, ..., A`) ≡ � f( i1 , i2 , , . . . , i` ) Pi1 i2 ...i`
f(A
{i}
55
Definizione 3.4.1. Gli operatori A1, A2, . . . , A` si dicono costituire un insieme com-
pleto di operatori autoaggiunti commutanti se ogni proiettore Pi1 i2 ...i` proietta su un
sottospazio mono–dimensionale oppure è l’operatore nullo.
Teorema 3.4.2. Gli operatori A1, A2, . . . , A` formano un insieme completo di operato-
ri autoaggiunti commutanti se e solo se ogni altro operatore autoaggiunto B che commmuti
con tutti gli Aj è una funzione di A1, A2, . . . , A`.
Dimostrazione. Dalla definizione segue che per ogni scelta di autovalori j esiste al
più un autovettore � i1 i2 ... i` �; Dalla commutatività segue che anche B � i1 i2 ... i` �
(1) (2) (`) (1) (2) (`)
è autovettore di Aj appartenente agli stessi autovalori e perciò
B� i2 ... i` � = b({ }) � i2 ... i` �

(1) (2) (`) (1) (2) (`)
i1 i1 .
i2 ... i` ) definisce B come funzione

(1) (2) (`)
Il fattore numerico b( i1
B = � b( i2 ... i` ) Pi1 ,i2 ,...,i` = b(A1, A2, ..., A`) .

(1) (2) (`)
i1
i1 i2 ...i`
�

È chiaro che se qualche Pi1 i2 ...i` proietta su un sottospazio a dimensione maggiore di uno
esisteranno operatori commutanti con tutti gli Aj , ma non esprimibili in termini degli stessi
proiettori. In genere si aggiungono allora uno o più operatori per “completare” l’insieme. La
definizione di insieme completo è importante in Meccanica Quantistica (si parla allora di “insiemi
completi di osservabili commutanti”). ◁
3.4.2. Insiemi irriducibili di operatori. Siano B1, ...B` operatori autoaggiunti in

C aventi la seguente proprietà: non esiste alcun sottospazio proprio C ′ ⊂ C invariante
rispetto a B1, ...B`. Si dice allora che gli operatori formano un insieme irriducibile.
Lemma di Schur. Sia E un operatore che commuti con tutti gli operatori di un
insieme irriducibile B1, ..., B`. Allora E è multiplo dell’identità (E ∝ ).
Dimostrazione. Sia un autovalore di E. Il sottospazio S individuato dagli

autovettori di E appartenenti a è lasciato invariante dagli operatori Bk e per l’ipotesi di
irriducibilità S deve coincidere con tutto lo spazio C e dunque E = . �
Esempio. Le due matrici Hermitiane
�0 1 0� �1 0 0 �
J1 = �1 0 1� , J2 = �0 0 0 �
�0 1 0� �0 0 -1�
formano un insieme irriducibile; infatti J2 ha tre autovalori distinti e perciò ogni operatore
E che commuti con J2 deve essere diagonale; la commutazione con J1 impone che E ∝ :
�0 1 0� �a 0 0� �a 0 0� �0 1 0� � 0 b-a 0 � �0 0 0�
�1 0 1� � 0 b 0� − � 0 b 0� �1 0 1� = �a-b 0 c-b� = �0 0 0� �⇒ a = b = c .
�0 1 0� � 0 0 c� � 0 0 c� �0 1 0� � 0 b-c 0 � �0 0 0�
◁
56
3.4.3. Funzioni di operatori non–commutanti. Abbiamo visto che funzioni di

operatori commutanti si possono definire facilmente attraverso la decomposizione spet-
trale. Il problema di complica, ma diventa più interessante per le applicazioni, se si vuole
definire una funzione di operatori non–commutanti. Diamo di seguito alcune formule che
entrano spesso nelle applicazioni (dalla Meccanica Quantistica agli algoritmi di Meccanica
Celeste), senza pretendere di discutere il problema nella sua generalità.
3.4.3.1. La formula di Lie. Siano A e B due operatori lineari. Definiamo U = exp(A +
B). La formula di Lie permette di esprimere U in termini di exp(t A) e exp(t B) anche
nel caso in cui A e B non commutino.
Teorema 3.4.3. Per ogni coppia di operatori lineari A e B vale la formula
exp(A + B) = lim (exp(A�n) exp(B�n))
n
n→∞
Dimostrazione. Partiamo dall’identità

n-1
An − B n ≡ � Ak (A − B) B n-k-1 .
k=0
Siano allora St ≡ exp(t (A + B)), Tt = exp(tA) exp(tB); ponendo t = 1�n avremo

n-1
�Stn − Ttn� = � � Stk (St − Tt) Ttn-k-1�
k=0
n-1
≤ � �St� �St − Tt� �Tt�
k n-k-1
k=0
≤ n �St − Tt� max (�St� , �Tt�)

n-1
Sia �St� che �Tt� sono minori di exp( n1 (�A� + �B�)), e perciò
�Stn − Ttn� ≤ n �St − Tt� exp(�A� + �B�) .
Si tratta di mostrare che il limite di quest’ultima espressione per n → ∞ vale 0. Svilup-
pando in serie si trova
S t − Tt = [A, B] + O(1�n3)
1
2n2
e perciò lim (n �St − Tt�) = 0. �
n→∞
3.4.3.2. Trasformazioni di similitudine. Per ogni coppia di operatori lineari A e B vale

lo sviluppo
F(t) = etA B e-tA = B + t [A, B] + 12 t2[A, [A, B]] + ... + Cn + ...

tn
(3.13)
n!
dove i termini Cn sono definiti ricorsivamente da
Cn+1 = [A, Cn], C0 = B .
Dimostrazione. Di↵erenziando rispetto a t l’identità da dimostrare si ottiene
= A exp(tA) B exp(-tA) − exp(tA) B exp(-tA) A = [A, F]

@F
@t
ma è anche
@F ∞ tn
=� Cn+1 .
@t n=0 n!
57
Eguagliando i coefficienti in tn si ottiene il risultato cercato. �

^
Come corollario si ha che per ogni funzione f per cui esista f(B) vale l’identità
eA f(B)
^ e-A = f(B
^ + [A, B] + . . .) .

È molto di↵usa nella letteratura matematica la notazione
Ad X(Y) ≡ [X, Y]
per cui la Eq. (3.13) si può scrivere più elegantemente
∞
tn
etA B e-tA = � Ad A (B) ≡ exp{t Ad A } (B) .
n
n=0 n!
La terminologia discende dalla teoria dei gruppi di Lie; Ad X corrisponde alla rappresentazione
aggiunta dell’algebra di Lie. ◁
3.4.3.3. Formula di Baker–Campbell–Hausdor↵. Tenendo conto dei risultati preceden-

ti, calcoliamo ora exp(A + B) exp(−A) exp(−B) nel caso particolarmente semplice in cui
A e B commutino con [A, B]:
eA+B = lim (exp(A�n) exp(B�n))

n→∞
= lim eA�n eB�neA�n eB�n . . . eA�n eB�n

n→∞
= lim � �ejA�n eB�ne-jA�n� eA

n
n→∞
j=1
= lim � exp � n1 B + nj2 [A, B]� eA

n
n→∞
j=1
= lim eB eA exp �� nj2 [A, B]� = eB eA e 2 [A,B]

1
n→∞
Questa formula viene applicata al caso degli operatori “canonici” che soddisfano le regole
di commutazione di Heisenberg [a, a† ] = . Tuttavia gli operatori canonici esistono solo
nello spazio di Hilbert (∞−dimensionale, vedi Cap. 4.3.3). Ci si può chiedere se, almeno,
esistano matrici finite cui applicare la formula di BCH : [A, [A, B] = [B, [A, B] = 0. La
risposta è a↵ermativa tuttavia queste condizioni pongono severe restrizioni sulle matrici
A e B (vedi Eserc. 72 e segg.).
In generale il prodotto eA eB è esprimibile come uno sviluppo infinito nella forma (per
lo sviluppo completo si vedano le note alla fine del capitolo e anche il Probl. 81):
(3.14) eA eB = exp {H(A, B)}
H(A, B) = A + B + 12 [A, B] + 12
1
[A, [A, B]] + 12
1
[B, [B, A]] − 24
1
[A, [B, [A, B]]] + . . .
58
3.4.4. Teoria delle perturbazioni.

3.4.4.1. Perturbazioni stazionarie - caso non-degenere. Sia H = H0 + "V un operatore
autoaggiunto con H0 e V entrambi autoaggiunti e " sia un parametro reale. Il calcolo dello
spettro di H si può ridurre a quello di H0 se è sufficiente conoscere il risultato in termini
di sviluppo in serie di potenze in ". Ciò è non solo facile da realizzare, ma in taluni casi è
l’unico modo di ottenere lo spettro, a parte ricorrere al calcolo numerico. Ad esempio si
consideri
�2 + " v1 -1 0 ..................... 0 �
� -1 2 + " v2 -1 0 �
� �
0 ...................
� 0 + �
� -1 2 " v -1 0 . . . . . . . . . 0 �
H→� ⋮� � � � ⋮ �
3
�
� 0 0 �
....... .........
� -1 2 + " vn-2 �
� �
....... 0 -1
� 0 ............... 0 -1 2 + " vn-1 -1 �
� 0 .................. 0 -1 2 + " vn�
La matrice ridotta a " = 0 è diagonalizzabile e se ne conoscono autovalori ed autovettori
(vedi il § 1.3). Sia dunque E0 l’autovalore di cui vogliamo valutare la correzione e �E0� il
corrispondente autovettore. Dobbiamo determinare autostato e autovalore dell’Hamilto-
niano completo
H �E"� = E" �E"�
tali che per " → 0 valgano i due limiti
lim E" = E0, lim �E"� = �E0� .
"→0 "→0
L’ipotesi che si fa a questo punto è la seguente: autovalori ed autovettori di H ammettono

uno sviluppo in serie di potenze nel parametro ". L’ipotesi è del tutto ragionevole trat-
tandosi di soluzioni di equazioni algebriche in cui " compare come parametro, tuttavia la
natura della serie di potenze è a priori puramente formale.
n �∞
Nel caso a infinite dimensioni la convergenza della serie perturbativa, come verranno
d’ora in poi denominate le serie di potenze in teoria delle perturbazioni, è da verificare caso per
caso, e di norma non si avvera. Anche negli esempi più semplici ci si trova di fronte a serie
divergenti ma che non di meno forniscono un utilissimo strumento di calcolo approssimato in
quanto serie asintotiche . A questo scopo è necessario però disporre di un grande numero di
coefficienti della serie, il che non è sempre possibile (si vedano [BW69, OD99]). ◁
Nel seguito a↵ronteremo il problema di base, quello cioè di determinare i coefficienti

della serie perturbativa. Cominciamo col definire gli sviluppi
(3.15) �E"� = �E0� + " �⌘1� + "2 �⌘2� + . . .
(3.16) E" = E0 + 1" + 2"
2
+ ...
dove i coefficienti reali k e i vettori �⌘1� , �⌘2� , . . . sono da determinarsi e sostituiamo il
tutto nell’equazione agli autovalori. Identificando i coefficienti delle varie potenze in " si
ottiene, almeno in linea di principio, la soluzione. In realtà è preferibile procedere con un
sistema di tipo ricorsivo, in base al quale, nota la soluzione all’ordine n, si ricava facilmente
l’ordine n + 1 (è questo d’altronde il modo in cui si imposta di norma il calcolo, dato che
per il fisico poco importa conoscere la soluzione a un dato ordine "k senza conoscere il
contributo in "k−1, a priori più rilevante). La relazione di ricorrenza si determina in questo
59
modo (vedi [Sak90, OD99]): riordiniamo i termini dell’equazione per ottenere

(3.17) (H0 − E0) �E"� = (E" − E0) �E"� − "V �E"� .
Prendendo il prodotto scalare dello stato �E0� con ambo i membri si avrà
0 = (E" − E0) �E0�E"� − " �E0� V �E"�
(avendo sfruttato il fatto che H0 è autoaggiunto) e quindi
�E0� V �E"�
E" − E0 = "
�E0�E"�
(3.18) .
Conviene a questo punto adottare temporaneamente una normalizzazione diversa dal

consueto per l’autovettore �E"�
�E0�E"� = 1,
una convenzione che semplifica notevolmente lo sviluppo delle formule. A conti fatti sarà
ovviamente possibile fissare la normalizzazione consueta moltiplicando per un opportuno
fattore; l’unica difficoltà potrebbe provenire nell’eventualità che l’autovettore esatto sia
ortogonale a �E0�, ma ciò non potrà verificarsi per " sufficientemente piccolo. Se inseriamo
lo sviluppo in serie (3.15), ed uguagliamo i coefficienti ad ogni ordine in "k otteniamo
infatti
(3.19) k = �E0� V �⌘k−1�
Riprendiamo ora l’Eq. (3.17); ci si chiede se siamo autorizzati ad invertire l’operatore

H0 − E0 per ottenere
�E"� = �E0� + R0(E0) (E" − E0 − "V) �E"� .
L’operatore risolvente R0(z) ≡ (H0 −z )−1 è definito per ogni valore reale o complesso di
z, ad eccezione dei punti dello spettro di H0. Tuttavia i vettori a cui dobbiamo applicare
R(E0) sono tutti ortogonali al vettore �E0� e perciò l’inversione è legittima. Si intenderà
che il risolvente sottintende la proiezione sul sottospazio ortogonale al vettore �E0�
R0 = P⊥0 (H0 − E0)−1 P⊥0 , �P⊥0 ≡ − � �E� �E� � .

E∈ H0 E≠E0
(Si parla in questi casi di “inverso generalizzato”). Il calcolo del risolvente è ottenibile
semplicemente da
�E0′ �
R0(E0) �E0′ � =
E0′ − E0
R0(E0) �E0� ≡ 0 .
Se a questo punto inseriamo gli sviluppi in serie nell’equazione precedente otteniamo la
seconda relazione di ricorrenza
�⌘k� = R(E0) � � j �⌘k−j� − V �⌘k−1��

k−1
(3.20)
j=1
Le Eq. (3.19),(3.20) formano un algoritmo ricorsivo che in linea di principio può generare i
coefficienti della serie perturbativa ad ogni ordine per il caso non–degenere. Il vantaggio di
60
questa impostazione è di permettere una notevole economia di calcolo; inoltre l’algoritmo

è facilmente codificabile per un calcolo automatico.
Le formule approssimate al 20 ordine sono date da
1 = �E0� V �E0�
�⌘1� = −R(E0) V �E0�
� �E0� V �E0′ � �2
2 = − �E0� VR(E0)V �E0� = �
E′ ≠E0 E0 − E0′
0
essendo E0′ gli autovalori imperturbati diversi da E0.

Esempio. Sia H = H0 + "V, essendo (H0)ij = j ij e Vij = i,j+1 + j,i+1. L’esercizio è i
più semplice possibile, in quanto siamo già in presenza di H0 diagonale. Per N = 10 si ha
ad es.:
�1 " 0 0 0 0 0 0 0 0 �
�" 2 " 0 0 0 0 0 0 0 �
� �
�0 " 3 " 0 0 0 0 0 0 �
� �
�0 0 " 4 " 0 0 0 0 0 �
� �
�0 0 0 " 5 " 0 0 0 0 �
� �
H��
�0 0 0 0 " 6 " 0 0 0 �
� �
�0 0 0 0 0 " 7 " 0 0 �
� �
�0 0 0 0 0 0 " 8 " 0 �
� �
�0 0 0 0 0 0 0 " 9 " �
� �
�0 0 0 0 0 0 0 0 " 10�
= 0 (elementi diagonali della pertur-

(n)
La teoria delle perturbazioni al primo ordine dà 1
bazione). Al secondo ordine
�V12�2
= = −1
(1)
2
E0(1) − E0(2)
�V21�2 �V23�2
= + =0
(2)
2
E0(2) − E0(1) E0(2) − E0(3)
�V32�2 �V34�2
= + =0
(3)
2
E0(3) − E0(2) E0(3) − E0(4)
��
�VN,N−1�2
= =1
(N)
2
E0(N) − E0(N − 1)
Dunque lo spettro è dato in via approssimata da E1 = 1 − "2 + O("4), E2 = 2 + O("4),

E3 = 3 + O("4), ... (perché non O("3)?) il che significa che per avere una stima degli
autovalori di indice maggiore di uno siamo costretti a calcolare le correzioni ad alti ordini.
Per questo è consigliabile utilizzare un programma automatico: le regole di ricorrenza
Eq. (3.19),(3.20) si possono tradurre facilmente in un codice da eseguire su un computer.
Nell’archivio raggiungibile via rete si trova un programma Mathematica che implementa
l’algoritmo.
◁
61

Poche righe di Mathematica danno il risultato in pochi decimi di secondo utilizzando diret-
tamente la routine di diagonalizzazione:
pert ex1.nb
H0[n_]:= SparseArray[{i_,i_}->i,{n,n}]
V[n_] := SparseArray[{{i_,j_}/;Abs[i-j]==1 -> 1},{n,n}]
H[n_] = H0[n]+a V[n];
Series[Eigenvalues&[[H[10],{a,0,6}]]
↼
che fornisce in output (" �
� a)
a4 7a6 127a8
1 − a2 + − + + O(a10)
2 12 144
a4 2a6 15a8
2− + − + O(a10)
2 3 16
a6 a8
3− + + O(a10)
12 16
a8
4+ + O(a10)
144
5 + O(a10)
......
Si nota che al crescere di n (fino a n = N�2) l’autovalore En presenta una correzione −"2n�(n!(n−
1)!). Viene spontaneo chiedersi se ci sia un modo semplice di capire questo fatto (vedi il
◁

Probl. 80).
Il programma Mathematica PertTh.nb, incluso nel disco in dotazione del libro, permette
di risolvere problemi elementari di teoria delle perturbazioni in modo automatico. È naturale
chiedersi il motivo di e↵ettuare calcoli di questo genere “con carta e matita” quando l’uso del
computer può alleviare la fatica. Il consiglio è sempre quello di familiarizzarsi con l’argomento
senza l’uso del calcolatore e solo in seguito, con le idee chiare, risparmiarsi la fatica. Ai primi
passi è addirittura consigliabile l’uso del regolo calcolatore... ◁
Esempio. Sia H = H0 + "V, essendo (H0)ij = N2(2 i,j- i,j+1- j,i+1) e Vij = N12 j (N-j) ij,
dim(C) = N-1. Lo spettro di H0 è noto (En = 2N2(1- cos( n⇡
N ))). La teoria delle perturba-
zioni al primo ordine dà
N-1
= N � sin ( )
(n) 2 2 nj⇡ j(N-j)
1 .
j=1 N N2
mentre al secondo ordine la formula è meno maneggevole
�∑j sin( nj⇡

N ) sin( N ) N2 �
2
mj⇡ j(N-j)
=
(n) 2
�
N )- cos( N )
N4
.
2
m≠n Cos( n⇡ m⇡
L’operatore H0 costituisce una approssimazione discreta all’Hamiltoniano di una particella

confinata in una scatola di lato unitario secondo la meccanica quantistica. V rappresenta
l’energia potenziale. Nel package allegato si trova il codice matlab che calcola lo spettro
numericamente e lo confronta con la formula perturbativa. Siete incoraggiati a esplorare
cosa succede al variare dei parametri (N, "). ◁
62
√ √
Esempio. Sia H = H0 +"V, essendo (H0)ij = j-1 ij e Vij = i,j+1 i+ j,i+1 j; per N = 10
√
si ha ad es.:
� √0 " 1 √ 0 0 0 0 0 0 0 0 �
�" 1 1 " 2 0 0 �
� �
� 0 "√2 2 "√3 0
0 0 0 0 0
�
� √ √ �
� �
0 0 0 0 0
� 0 �
� 0 " 3 √
3 " 4 √0 0 0 0 0 �
� 0 0 �
� 0 " 4 √ 4 " 5 √ �
H��
0 0 0 0
� 0 0 �
� 0 0 0 " 5 √ 5 " 6 √ 0 0 �
� 0 0 �
� 0 " 6 √ 6 " 7 √ �
� �
0 0 0 0
� 0 0 �
� 0 " 7 √ 7 " 8 √ �
� 0 8 " 9�
0 0 0 0
� 0 0 0 0 0 0 " 8 √ �
� 0 0 0 0 0 0 0 0 " 9 9 �
= 0 (elementi diagonali della pertur-
(n)
La teoria delle perturbazioni al primo ordine dà 1
bazione). Al secondo ordine
�V12�2
= = -1
(1)
2
E0(1)-E0(2)
�V21�2 �V23�2
= + = -1
(2)
2
E0(2)-E0(1) E0(2)-E0(3)
�V32�2 �V34�2
= + = -1
(3)
2
E0(3)-E0(2) E0(3)-E0(4)
��
�VNN-1�2 �VN-1N�2
= + = -1
(N-1)
2
E0(N)-E0(N-1) E0(3)-E0(4)
�VN,N-1�2
= = N-1
(N)
2
E0(N)-E0(N-1)
Dunque lo spettro è dato in via approssimata da En = n − 1 − "2 + O("4) per n < N

(perché non O("3)?). Si noti che la somma dei coefficienti perturbativi 2 deve annullarsi
in quanto è zero la traccia di V. In realtà il problema è a↵rontabile più efficacemente
√
per via algebrica. Ciò è suggerito dal fatto che la matrice V rappresenta, a meno di
un fattore 2, l’operatore di posizione q in Meccanica Quantistica, rappresentato nella
base dell’energia dell’oscillatore armonico, e troncato a dimensione finita N. Si trova che,
ponendo Pn = �n� �n�, gli operatori H0, V e W soddisfano le relazioni di commutazione
[W, H0] = −V , [H0, V] = W , [V, W] = 2( − (N − 1)PN)
Consideriamo allora la trasformazione di similitudine (vedi Cap. 3.4.3.2)
e−"W H0 e"W = H0 + "V + "2 ( − (N − 1) PN)
Si conclude che H è unitariamente equivalente a H0 − "2 più una correzione di rango
uno (il proiettore) che si può valutare perturbativamente come nel Probl. 80, e risulta
O("2(N−n) ), cioè rappresenta un “e↵etto di taglia finita” che scompare nel limite N → ∞ a
n fissato e " < 1. Cosa succede per " ≥ 1? L’operatore
√ V diventa dominante; il suo spettro
è dato dagli zeri del polinomio di Hermite HN(x� 2); il resto è lasciato come esercizio.
63

Poche istruzioni di Mathematica aiutano a destreggiarsi nei calcoli algebrici dell’esempio
precedente. Si veda pert ex6.nb. ◁
3.4.4.2. Autovalori degeneri. Nel caso l’autovalore imperturbato corrisponda a più di
un autostato (P proietta su un sottospazio a dimensione > 1) le formule del paragrafo
precedente devono essere modificate. Già il punto di partenza è da studiare attentamente:
la base di autovettori è definita a meno di trasformazioni unitarie all’interno del sotto-
spazio degenere (come succede in un corpo rigido con simmetria assiale, un caso in cui gli
assi principali di inerzia non sono definiti univocamente). Perciò si deve per prima cosa
individuare la base corretta nel limite di perturbazione zero. Siano �E0, ↵� {↵ = 1, 2, ..., r} i
vettori di base nel sottospazio degenere appartenenti all’autovalore E0. L’equazione (3.17)
diventa perciò
(H0-E0) �E", ↵� = (E"-E0) �E", ↵� -"V �E", ↵�
e prendendo il prodotto interno con �E0, � otteniamo
" �E0, � V �E0, ↵� = (" 1 + O(" )) �E0, �E", ↵�
2
da cui, passando al limite " → 0 segue

�E0, � V �E0, ↵� = 1 �E0, �E0, ↵� = 1 ↵ .
Ciò mostra che la correzione al primo ordine è data dagli autovalori della matrice V
ristretta al sottospazio di degenerazione e i relativi autovettori definiscono la corretta
base su cui costruire il calcolo perturbativo.
Esempio. Sia
�0 √0 0 0 0 �
� �
� √1 2 √0 0 0 �
�0 2 �
� √1 �
H��
3 0 0
�0 0 �
� 3 2 2 √0 �
�0 0 �
� 0 2 √2 3 �
�0 0 0 0 3 3 �
L’autovalore 0 è non degenere, per cui si applicano le formule Eq. (3.19,3.20): E1 ≈
− 2. L’autovalore 1 invece è doppio e quindi bisogna calcolare lo spettro della matrice di
perturbazione ristretta al sottospazio degenere, in questo caso
√
√
��√ �� = ± 2
0 2
2 0
Si noterà che la di↵erenza sostanziale tre il caso degenere e quello non–degenere consiste
nel fatto che elementi di matrice fuori dalla diagonale possono contribuire al primo ordine
perturbativo. ◁
Esempio.
�0 0 0 0�
� 0 0�
� 0 0�
10
� �
H��
01
�0 20 �
� 0 �
�0 02 �
�0 3�
0
00
64
In questo caso la matrice di perturbazione ristretta al sottospazio di degenerazione è

identicamente nulla e quindi non fissa la base in modo univoco. È necessario allora
diagonalizzare la matrice
�E0, ↵� V R0 V �E0, �
essendo al solito R0 = P0 (H0 − E0) P⊥0 il risolvente generalizzato. Nel nostro caso si ha
⊥ −1
�E0 = 1, ↵� V R0 V �E0 = 1, � = − � �, �E0 = 2, ↵� V R0 V �E0 = 2, � = � �,

0 2 0 2
2 0 2 0
e perciò E1 = 1± 2 +O( 3), E2 = 2± 2 +O( 3). Anche in questo caso lo spettro si può tro-
vare in forma chiusa (provare con Mathematica), ma la potenza del metodo perturbativo
sta nella sua applicabilità ben oltre i casi semplici, o↵erti solo a titolo esemplificativo.
Come generalizzazione provare a studiare il caso (H0)ij = (2 i,j − i,j+1 − j,i+1 − 1N− N1)
e Vij = " sin(2⇡ j) ij. In questo caso il calcolo perturbativo presenta qualche sottigliezza,
in quanto, come nel caso precedente, la matrice �E0, � V �E0, ↵� non individua la base di
partenza, essendo identicamente nulla. ◁
3.4.5. Soluzione di sistemi lineari. Uno dei problemi più comuni che si presentano
nelle applicazioni è quello della soluzione di sistemi di equazioni lineari del tipo
(t) = A (t)
d
(3.21)
dt
dove (t) è un vettore dipendente dal tempo t e A è un operatore lineare che può essere
a sua volta funzione del tempo. Consideriamo per il momento il caso di A indipendente
dal tempo. Allora è immediato verificare che
(t) = exp{tA} (0)
è la soluzione del sistema. L’esponenziale dell’operatore si può, almeno in linea di
principio, calcolare con i metodi della teoria spettrale: se A = ∑ ( P + E ) allora sarà
(t) = � e t P � + t E + ... + E � (0)

t⌫ ⌫
⌫ !
ovvero, per operatori diagonalizzabili, semplicemente
(t) = � e t P (0) .
Nella pratica si devono a↵rontare vari problemi per portare in fondo il calcolo. Tutto
dipende dalla dimensione della matrice, dalle sue caratteristiche (diagonalizzabilità, po-
sizione e natura dello spettro, quasi–degenerazione degli autovalori, stabilità rispetto a
piccole perturbazioni, ad es. gli errori introdotti dalla aritmetica a numero finito di cifre,
etc. - si veda ad es. [ML78]).
Se l’operatore è dipendente dal tempo la teoria spettrale non è più applicabile, all’in-
fuori del caso particolare in cui tale dipendenza sia banale e cioè
A(t) = � j(t) Pj
j
(A(t) è funzione di A(0), dunque con gli stessi proiettori spettrali P). In questo caso si
avrà ˆ t
(t) = � e 0 (⌧)
Pj (0) ≡ exp � A(⌧) d⌧� (0) .
´t
j d⌧
j 0
65
In generale tuttavia l’equazione precedente non è soluzione della Eq. (3.21): se A(t) e
A(t ′ ) non possono essere diagonalizzati simultaneamente per ogni coppia (t, t ′ ), non vale
la formula di derivazione
ˆ t ˆ t
exp � A(⌧) d⌧� = A(t) exp � A(⌧) d⌧� .
d ?
(?)
dt 0 0
Si procede allora nel modo seguente: si definisce U(t) l’operatore lineare che soddisfa
l’equazione
U(t) = A(t) U(t) , U(0) = ,
d
dt
e integrando entrambi i membri si ottiene
ˆ t
U(t) = + A(⌧) U(⌧) d⌧ .
0
Quest’ultima equazione si può iterare per ottenere
ˆ t ˆ t ⌧
U(t) = + A(⌧) U(⌧) d⌧ + A(⌧) A(⌧ ′ ) U(⌧ ′ ) d⌧ ′ d⌧
ˆ
0 0 0
e dopo n iterazioni
t t ⌧
U(t) = + A(⌧) U(⌧) d⌧ + A(⌧) A(⌧) d⌧ ′ d⌧ + ...+
ˆ ˆ ˆ
0 0 0
ˆ t ˆ ⌧1 ˆ ⌧n−2
... A(⌧1) A(⌧2)...A(⌧n−1) d⌧1d⌧2...d⌧n−1
0 0 0
ˆ t ˆ ⌧1 ˆ ⌧n−1
... A(⌧1) A(⌧2)...A(⌧n) U(⌧n) d⌧1d⌧2...d⌧n .
0 0 0
Al limite per n → ∞ si ottiene la soluzione
∞
ˆ t ˆ ⌧1 ˆ ⌧n−1
(3.22) U(t) = + � ... A(⌧1) A(⌧2) . . . A(⌧n) d⌧1 d⌧2 . . . d⌧n
n=1 0 0 0
L’equazione precedente assomiglia all’ esponenziale exp 0 A(t ′ )dt ′ con la di↵erenza fon-
´t
damentale che nel suo sviluppo in serie compaiono prodotti A(t1)A(t2) . . . A(tn) in cui gli
argomenti sono strettamente ordinati t1 > t2 > . . . tn. Si introduce di solito l’operatore di
ordinamento temporale T che agisce su ogni prodotto A(t1)A(t2) . . . A(tn) permutando
i fattori in modo che gli argomenti soddisfino la proprietà di ordinamento. Ad es.
A(t)A(s) per t > s
T (A(t) A(s)) = �
A(s)A(t) per t < s
L’Eq. 3.22 si può allora scrivere formalmente
t
U(t) = T �exp A(s)ds�
ˆ
Si tratta ovviamente di una scrittura compatta in tutto e per tutto equivalente alla
Eq. 3.22 e la sua utilità consiste quasi esclusivamente nella sua facile memorizzabilità;
solo in casi molto speciali questa espressione può essere sfruttata in modo sintetico senza
passare attraverso lo sviluppo in serie. L’Eq. 3.22 è nota in meccanica quantistica come
“sviluppo di Dyson” (ma è in realtà dovuta a Vito Volterra).
66
3.4.6. Rappresentazione di interazione. Supponiamo che l’operatore A nell’e-

quazione (3.21) si possa spezzare nella somma A = H0 + V(t), dove H0 sia indipendente
dal tempo e ne sia noto lo sviluppo spettrale. Inoltre si assuma che la “perturbazione”
V(t) sia “piccola” rispetto ad H0 (ad es. �V� � �H0�). Si può allora impostare la solu-
zione dell’Eq. (3.21) per via approssimata. Indichiamo con U0(t) l’operatore exp{tH0} e
cerchiamo di determinare la soluzione nella forma
U(t) = (H0 + V(t)) U(t)
d
dt
U(t) = U0(t) W(t)
Derivando rispetto a t si ottiene
(U0 W(t)) = H0 U0 W(t) + U0 W(t) = (H0 + V(t)) U0(t) W(t)

d d
dt dt
ossia
W(t) = �U0−1 V(t) U0(t)� W(t)
d
dt
L’equazione è della stessa forma studiata nella sezione precedente e la soluzione sarà data
da ˆ t
W(t) = T �exp e−t H0 V(t ′ ) et H0 dt ′ �
′ ′
0
La soluzione dell’equazione è pertanto
t
(t) = e T �exp e−t H0 V(t ′ ) et H0 dt ′ � (0) .
′ ′
ˆ
tH0

0
d
Come applicazione determiniamo la derivata exp A(t): si ha
dt
d
exp A(s) = lim �eA(s+h) − eA(s) �
1
ds h→0 h
d
Identificando A(s) con H0 e h A(s) con V possiamo applicare lo sviluppo di Dyson:
ds
ˆ 1
dA(t) ⌧A(t)
eA(s+h) = eA(s) + h e(1−⌧)A(s) e d⌧ + O(h2) ,
0 dt
e perciò
d
ˆ 1
dA(s) ⌧A(s)
exp A(s) = eA(s) e−⌧A(s) e d⌧
ds 0 ds
dA(s) 1 A(s) dA(s)
= eA(s) − 2e �A(s), � + ...
ds ds
◁
67
Appendice II
3.5. Polinomi Ortogonali

3.5.1. Definizioni. Sia PN lo spazio lineare costituito dai polinomi in una variabile
reale x di grado† non superiore a N. Introduciamo un prodotto interno in PN come segue
b
�p1�p2� = w(x) p1(x) p2(x) dx
ˆ
dove w(x) è una funzione positiva quasi dappertutto nell’intervallo (a, b), che chiameremo
“peso” (tale intervallo potrà essere finito o infinito, potendosi sempre ricondurre alle scelte
(−1, 1), (0, +∞), (−∞, +∞)). I monomi 1, x, x2, ..., xN formano una base in PN. La matrice
metrica è data in questa base da
b
hij = w(x) xi+j dx ≡ mi+j
ˆ
dove mk = a w(x) xk dx definiscono i momenti della distribuzione w(x) dx. Possiamo

´b
sempre assumere che la distribuzione sia normalizzata, ossia m0 = a w(x) dx = 1. A

´b
partire dalla matrice metrica si può costruire una base ortonormale con il procedimento
di Schmidt introdotto nella Sez. 2.3. Esplicitamente si ha
�� m0 . . . mk ��
��
. . . mk+1 ��
m1 m2
�� m1 �
Pk(x) = Nk �� ⋮ . . . ⋮ ��
m2 m3
⋮ ⋮
��
��mk−1 . . . m2k−1��
. . . xk ��
mk mk+1
�� 1 x x2
È facile verificare attraverso un calcolo esplicito che Pk(x) è ortogonale a tutti i polinomi
di grado inferiore: sviluppando Pk secondo la formula di Lagrange applicata all’ultima
riga,
�xj�Pk� = � G(k)
i �x �x � = � mi+j Gi
(k)
k
j i
i=0 i
(k)
avendo indicato con Gi il complemento algebrico di xi nel determinante che definisce
Pk; indicheremo anche semplicemente con Gn il complemento algebrico della potenza
†
Il grado massimo è arbitrario e infatti in tutto lo sviluppo della teoria può essere preso grande a piacere e
anche infinito, ma questo ci porterebbe direttamente al capitolo seguente.
69
Appendice II 3.5
(n)
massima, ossia Gn . Ne segue
�� m0 mk ��
��
mk+1 ��
m1 m2 ...
�� m1 �
�x �Pk� = �� ⋮ ⋮ ��
m2 m3 ...
⋮ ⋮
��
j
...
��mk−1 m2k−1��
mj+k ��
mk mk+1 ...
�� mj mj+1 mj+2 ...
È chiaro che per 0 ≤ j < k il determinante si annulla avendo due righe uguali. La costante
Nk si può fissare per imporre la normalizzazione di Pk in base a qualche convenzione. Se
richiediamo �Pk� = 1 allora si dimostra che
Nn = (Gn Gn+1)−1�2, Gn ≡ Gn
(n)
Esempio. I polinomi di Legendre sono definiti per (a, b) = (−1, 1), w(x) = 1�2.
1
mk = xk dx =
ˆ
1 1+(−1)k
2 2(k+1)
−1
� 1 0 1�3 0 1�5 0 1�7 0 . . .�

� 0 . . .�
� �
1�3 0 1�5 0 1�7 0 1�9
�1�3 . . .�
� 0 1�5 0 1�7 0 1�9 0 �
�hij� = �
� 0 . . .�
�
�1�5 . . .�
1�5 0 1�7 0 1�9 0 1�11
� � �
� �
0 1�7 0 1�9 0 1�11
� 0 1�7 0 1�9 0 1�11 0 � . . .�
� ⋮ ⋮ � � � � � � . . .�
I primi polinomi (di grado più basso) si calcolano rapidamente:
P1(x) = 1
P2(x) = � � = x
10
1x
��1 0 1�3��
� � 1
P3(x) = ��0 1�3 0 �� = �x2 − �
1
��1 x x2 �� 3
� �
3
�� 1 0 1�3 0 ��
��
�� 0 1�3 0 1�5��
P4(x) = �� = �x −
4 3
��1�3 0 1�5 0 �� 135
3
x�
�� 1 x x2 x3 ��
5
70
3.5. POLINOMI ORTOGONALI
Per ottenere una base ortonormale si tratta ora di moltiplicare ciascun polinomio per la
costante di normalizzazione Nn. Otteniamo cosı̀
P0(x) = 1
√
P1(x) = 3 x
1√
P2(x) = 5 �3x2 − 1�
2
1√
P3(x) = 7 �5x3 − 3x�
2√
P4(x) = 18 9 �35x4 − 30x2 + 3�
...
Vedremo tuttavia che esistono tecniche più efficienti per calcolare i polinomi, ad es. quella
delle relazioni di ricorrenza e delle funzioni generatrici. ◁
3.5.2. Relazioni di ricorrenza.
Teorema 3.5.1. I polinomi ortogonali {Pn(x)} definiti rispetto a qualunque peso w(x)
soddisfano ad una relazione di ricorrenza del tipo
(3.23) x Pj(x) = aj Pj+1(x) + bj Pj(x) + cj Pj−1(x)
Dimostrazione. I polinomi Pn(x) formano una base, pertanto dovrà esistere uno
sviluppo del tipo
x Pn(x) = � ↵jnPj(x) .
n+1
j=0
I coefficienti dello sviluppo si possono ottenere prendendo il prodotto interno con Pj(x) :
�Pj�x Pn� = ↵jn �Pj�2
Tuttavia si ha �Pj�x Pn� = �x Pj�Pn�, come si controlla facilmente tenendo conto che i
polinomi sono a valori reali. Ne segue che
↵jn = 0 per j + 1 < n
e quindi lo sviluppo contiene solo tre termini. �
√
Supponiamo ora che i polinomi siano normalizzati, cioè �Pn� = 1, e indichiamo con
n = Gn�Gn+1 il coefficiente di xn di Pn(x). Si ha allora
x Pj(x) = x (j xj + . . .) = (j+1xj+1 + . . .)
j
j+1
il che mostra che nella Eq. (3.23) si deve avere aj =
j
. Di più, tenendo conto della
j+1
relazione di simmetria si ha
cj = �Pj−1�x Pj� = �x Pj−1�Pj� =
j−1
.
j
I coefficienti bk sono calcolabili, non cosı̀ semplicemente, a partire dal coefficiente di xn−1
[Erd55]; nel caso in cui il peso w(x) e l’intervallo (a, b) siano simmetrici rispetto a x = 0
si ha bk = 0 in quanto i polinomi sono a parità definita (ossia Pn contiene sono potenze
pari di x se n è pari, e solo potenze dispari se n è dispari).
71
Appendice II 3.5
√
Problema 3-1. Determinare la forma dei polinomi ortogonali nel caso (a, b) = (−1, 1),
w(x) = 1 − x .
2
√
w(x) = 1� 1 − x2.
w(x) = (1 − x)↵−1 (1 + x) −1.
3.5.3. Zeri dei polinomi ortogonali.
Teorema 3.5.2. Ogni polinomio Pn(x) di una base ortogonale ha tutti i suoi zeri reali
e semplici
Dimostrazione. Supponiamo che Pn abbia m zeri reali di molteplicità dispari, in-
dicati con x1, ..., xm, più altri eventuali zeri di molteplicità pari. Attraversando ciascuno
di questi punti Pn cambia segno; ora sia Q(x) = (x − x1)(x − x2) . . . (x − xm). Dato che Q
cambia segno in ciascun punto xj, il prodotto Q Pn ha sempre lo stesso segno. Dunque
il prodotto scalare �Pn�Q� non può annullarsi, ma allora Q deve avere un grado almeno
pari a quello di Pn, in caso contrario dovrebbe essere ortogonale a Pn. Ne segue che Pn
ha tutti zeri semplici e reali. �
Esiste un metodo molto efficace per determinare gli zeri dei polinomi di una qualunque
famiglia ortogonale dovuto a Golub e Welsch [GW69]; si riduce il problema a quello di
determinare lo spettro di una matrice tridiagonale simmetrica, il che può essere a↵rontato
con metodi molto efficienti (vedi [GL96]).
Partiamo dalla relazione di ricorrenza
x Pn(x) = anPn+1 + bn Pn(x) + cn Pn−1(x)
Fissiamo un n massimo, diciamo N. Allora la relazione si può riscrivere nel formato
seguente
�b0 a0 . . . . . . . . . . . . . . . . � � P0(x) � � P0(x) � � 0 �

� c1 b1 a1 . . . . . . . . . . . . . .� � P1(x) � � P1(x) � � 0 �
� ��
� . . c2 b2 a2 . . . . . . . . . . . .� � P2(x) � � P2(x) � � 0 �
� ��
� . . . . � � � . . . . . . . . . .� � ⋮ � � ⋮ � � ⋮ �
� �� =x� � − an � �
� . . . . . . ck bk ak . . . . . . � � Pk(x) � � Pk(x) � � 0 �
� ��
�. . . . . . . . � � � . . .� � ⋮ � � ⋮ � � ⋮ �
� ��
� ��
� . . . . . . . . . . cn-1 bn-1 an-1� �Pn-1(x)� �Pn-1(x)� � 0 �
�. . . . . . . . . . . . . . cn bn � � Pn(x) � � Pn(x) � �Pn+1(x)�
Questa relazione parla da sola! Ogni zero xk di Pn+1(x) è autovalore della matrice a primo
membro costruita con i coefficienti della relazione di ricorrenza. Gli zeri si possono dunque
determinare diagonalizzando questa matrice, e per questo scopo sono disponibili algoritmi molto
efficienti. Il fatto poi che gli zeri siano semplici fa sı̀ che la accuratezza numerica sia ottima. Nei
programmi a disposizione su rete si troveranno i codici matlab per calcolare gli zeri e i pesi di
integrazione Gaussiana, definiti nel seguito, per tutti i polinomi “classici”. Di passaggio notiamo
che il fatto che gli zeri siano tutti distinti concorda con il carattere della matrice: gli autovalori
di una matrice tridiagonale con elementi tutti non nulli fuori della diagonale principale non
possono essere degeneri.
72

L’idea che permette di calcolare gli zeri dei polinomi ortogonali si può utilizzare per altre
famiglie di funzioni speciali che soddisfino a una relazione di ricorrenza a tre termini, ad es. alle
funzioni di Bessel (vedi il Probl.35, a Pag.148).
3.5.4. Formule di quadratura di Gauss. La teoria dei polinomi ortogonali permette di

realizzare formule di integrazione molto efficienti. Il risultato è dovuto a Gauss. Sia Pn(x) un
polinomio di una base ortonormale nell’intervallo (a, b) con peso w(x). Sia F(x) una funzione
definita in (a, b) continua e derivabile un numero qualunque di volte. Ricaveremo ora una
formula approssimata per l’integrale
ˆ b
F(x) w(x) dx
a
basata sulle proprietà dei polinomi ortogonali (seguiamo direttamente la trattazione di [Hoc71]).
Cominciamo a considerare il caso in cui F sia un polinomio di grado 2n − 1 e definiamo allora
n
Pn(x)
'(x) = � F(xj)
j=1 (x − xj)Pn′ (x)
avendo indicato con x1, ..., xn gli n zeri reali e distinti di Pn(x) e Pn′ (x) = dPn�dx. Per il teorema
dell’Hôpital si ha che F e ' coincidono in tutti i punti xj; allora la di↵erenza F − ' è divisibile
per Pn(x)
F(x) = '(x) + Pn(x) Q(x)
dove Q è un polinomio di grado n − 1. Integrando ora entrambi i membri si ha
b b
Pn(x)
F(x) w(x) dx = w(x) � F(xj)
ˆ ˆ
dx
a a j (x − xj)Pn′ (x)
b
+ Pn(x) Q(x) w(x) dx
ˆ
ma Q è ortogonale a Pn e quindi finalmente
b
= � F(xj) Pn(x) dx
1 w(x)
ˆ
j Pn′ (x) a x − xj
I coefficienti
b
n,j = Pn(x) dx
1 w(x)
ˆ
Pn′ (x) a x − xj
si possono calcolare una volta per tutte essendo indipendenti da F(x). Si chiamano pesi della
formula di quadratura di Gauss. Si ha in definitiva l’identità
b
F(x) w(x) dx = � n,j F(xj)
ˆ
a j
73
Appendice II 3.5
che rappresenta una formula di quadratura esatta per tutti i polinomi di grado ≤ 2n − 1. Se
applichiamo la formula alle potenze 1, x, x2, ..., xn otteniamo il sistema
1=� n,j
j
m1 = � n,j xj
j
m2 = � 2
n,j xj
j
�
mn = � n
n,j xj
j
che ci fornisce il valore dei pesi .
Esempio. Sia n = 3 e consideriamo la formula di quadratura Gaussiana per
1 1
ˆ
F(x) dx
2 −1
� �
Gli zeri di P3 sono (− 3�5, 0, 3�5). I pesi si trovano risolvendo il sistema
� 1 1 1 �� 3,1� �m0� � 1 �
�x1 x2 x3� � 3,2� = �m1� = � 0 � .
�x21 x22 x23� � 3,3� �m2� �1�3�
Il calcolo o↵re 3,1 = 3,3 = 5�18, 3,2 = 4�9, da cui

� �
ˆ 1
F(x) dx = 59 F(− 3�5) + 89 F(0) + 59 F( 3�5)+
−1
formula valida per ogni polinomio di grado ≤ 5. Se applichiamo la formula, indebitamente, a
una generica funzione continua cosa succede? Ad es.
ˆ 1
dx
= ln 2 = .693147...
−1 3 + x
mentre
× � + × + × � ≈ .693122...
5 1 8 1 5 1
9 3+ 3 9 3 9 3− 3
5 5
◁
L’esempio precedente suggerisce che se “forziamo” la formula di quadratura inserendo una
F(x) che non sia un polinomio di grado ≤ 2n − 1 si commette un errore, ma che può risultare
piccolo. Si dimostra che l’errore è dato da
��ˆ b ��
Rn(F) = ��
� F(x) w(x) dx − � F(xj) n,j�� ≤
1
max �F(2n) (x)�
�� a j �� (2n)!  2
n a≤x≤b

I codici Legendre-Gauss.nb e Hermite-Gauss.nb contengono semplici istruzioni Mathematica
per calcolare i pesi. Questo ha solo uno scopo pedagocico, in quanto Mathematica contiene tutta
una suite di routine di integrazione anche multidimensionale. ◁
Mediante la tecnica illustrata nella sezione precedente mediante la quale si calcolano gli zeri,
è possibile anche calcolare i pesi j. Si veda ad es. [QSS07]; nel package annesso a queste
74
lezioni si troveranno le routines matlab GaussLeg.m, GaussHerm.m,... con le quali si possono

calcolare le formula di quadratura di Gauss per tutti i “polinomi classici” che verranno descritti
sommariamente nella sezione seguente. Le routines di quadratura di Gauss sono disponibili in
molte librerie scientifiche quali la GSL e costituiscono un ingrediente di programmi simbolici
quali Mathematica. Nell’ottica di non utilizzare programmi a scatola chiusa, lo studente è in-
coraggiato ad approfondire la logica dei programmi di quadratura gaussiana e di sperimentarne
la affidabilità. Per una trattazione esauriente si vedano [Erd55, Hoc71, Sze59, NO76]. In
particolare, è difficile fare meglio di [Erd55], Sec.10.1 cui rimandiamo per documentarsi su tutto
quanto riguarda la teoria dei polinomi ortogonali.
3.5.5. Polinomi classici. Per i cosiddetti “polinomi classici” (Legendre, Hermite, Laguer-
re,...) vale una formula esplicita (detta formula di Rodriguez ):
d n
pn(x) = � � [w(x) (x)n]
1
w(x) dx
dove w è il peso e è un polinomio. Dalla formula si può ottenere la funzione generatrice della
famiglia di polinomi definita da
∞
(x, t) = � pn(x) tn
1
n=0 n!
che è di aiuto per ricavare molte proprietà dei polinomi. Si parte dalla formula di inversione di
Lagrange
∞
tn d n−1
(3.24) y = x + t (y) ⇒ y(x) = x + � � � [ (x)n]
n=1 n! dx
o meglio dalla sua generalizzazione
∞
tn d n−1 ′
f(y) = f(x) + � � � [f (x) (x)n] .
n=1 n! dx
Derivando e dopo semplici manipolazioni si ottiene
f ′ (y) dy 1 ∞ tn d n ′
= � � � [f (x) (x)n]
f ′ (x) dx f ′ (x) n=0 n! dx
Identificando f(x) con w(x) si ottiene infine
´
w(y) dy 1 ∞ tn d n
= � � � [w(x) (x)n] = (x, t) .
w(x) dx w(x) n=0 n! dx
Per applicare la formula si deve esprimere y in funzione di x e t dalla Eq. (3.24)
(a) Polinomi di Hermite:
H (x)
w(x) = e−x , (x) = −1, y = x − t, ∑n nn! tn = exp{−(x − t)2 + x2} = ...
2
(b) Polinomi di Legendre:

w = 1�2, = 12 (x2 − 1), y = x − t (y2 − 1)�2, (x, t) = (1 − 2x t + t2)−1�2.
(c) Polinomi di Laguerre:
w(x) = x↵e−x, = x, y = x − t y, (x, t) = (1 − t)−1−↵ exp{x t�(t − 1)}.
Si noti che la scelta del polinomio (x) è obbligata, a meno di banali riscalamenti, per il vincolo
che pn deve essere un polinomio di grado n. Per maggiori dettagli si veda [NO76, Erd55].
Avvertenza. La definizione dei polinomi classici o↵erta qui non è necessariamente allineata
con gli standard, ed è o↵erta solo a scopo introduttivo. Per utilizzare i polinomi in un lavoro
serio affidarsi alle sorgenti autorevoli quali [Erd55, GR65, Sze59]. Anche tra un testo e l’altro
esistono di↵erenze nella standardizzazione, perciò ... cautela!
75
Appendice II 3.6
3.6. Disuguaglianze fondamentali

Sia C uno spazio lineare complesso di dimensione n e siano u1, u2, . . . , un n vettori in C: si
consideri il determinante
�� u1� u1� �u1� u2� . . . �u1� un� ��
��
�� u2� u1� �u2� u2� . . . �u2� un� ��
G(u1, ..., un) = det �� u3� u1� �u3� u2� . . . �u3� un� ��
��
��. . . . . . . . . . . . . . . . . . . . . . . . .��
��un� u1� �un� u2� . . . �un� un��
detto determinante di Gram.
Teorema 3.6.1. Il determinante di Gram è positivo o nullo, inoltre G = 0 se e solo se i
vettori u1, u2, . . . , un sono linearmente dipendenti‡ .
Dimostrazione. Utilizziamo una base ortonormale {ei}. Si ha
Gij = �ui� uj� = � �ui� ek� �ek� uj� .
k
Sia Vik = �ui� ek�, allora
Gij = � Vik Vkj = �V V † �ij
k
da cui
G = det(V V † ) ≥ 0
essendo G = 0 solo se V ha determinante nullo, nel qual caso i vettori {ui} sono linearmente
dipendenti. �

Si noterà che il determinante Gn introdotto a pag.70 rappresenta il Gramiano dei vettori di
base 1, x, x2, ..., xn e pertanto Gn > 0.
La disuguaglianza G ≥ 0 vale anche se il numero di vettori è inferiore alla dimensione dello
spazio, in quanto il teorema si applica al sottospazio che contiene i vettori.
Disuguaglianza di Cauchy–Schwartz. Nel caso particolarmente semplice n = 2 si trova
�u � u � �u1� u2�
0≤� 1 1 � = �u1�2 �u2�2 − � �u1� u2� �2
�u2� u1� �u2� u2�
ossia
� �u1� u2� � ≤ �u1� �u2�
che è nota come disuguaglianza di Cauchy–Schwartz.
Disuguaglianza triangolare. Segue immediatamente dalla disuguaglianza di Cauchy–
Schwartz la disuguaglianza triangolare
�u + v� ≤ �u1� �u2� .
Disuguaglianza di Minkowski. Per ogni n−pla di numeri complessi (z1, . . . , zn) si defi-
nisce la p−norma
1�p
�z�p = �� zi� � p
i
essendo p un numero reale ≥ 1. Il caso p = 2 è l’unico in cui la norma corrisponde a un
prodotto interno, ma avremo occasione di considerare spesso anche il caso p = 1. Formalmente
si considera anche il caso p = ∞ che per convenzione corrisponde a �z�∞ = sup �zj� .
j
‡
√
Nel caso reale, G coincide con il volume del parallelepipedo avente spigoli u1 , ..., un .
76
3.6. DISUGUAGLIANZE FONDAMENTALI
Vale la disuguaglianza di Minkowski§

�x + y�p ≤ �x�p + �y�p
che generalizza la disuguaglianza triangolare.
La dimostrazione farà uso della disuguaglianza di Holder
Disuguaglianza di Hölder.
� �xi yi� ≤ �x�p �y�q
i
Dimostrazione. Per ogni coppia di reali positivi a, b si ha

ap bq 1 1
ab ≤ + , ( p + q = 1)
p q
Ciò discende da ap�p = 0 xp−1 dx e analogo per b. Stante la relazione p1 + q = 1, la funzione
á 1
y=x p−1
ha come funzione inversa x = yq−1
e quindi a �p e b �q rappresentano le due aree S1
p q
e S2 in figura
b
S1
S2
x
a
Figura 3-4. Dimostrazione grafica della disuguaglianza di Holder.
e ovviamente la somma S1 + S2 ≤ ab. Il segno di uguale vale solo per b = ap−1. Ne segue che
assumendo senza perdita di generalità¶ che �x�p = �y�q = 1
�xi�p �yi�q
� �xi yi� ≤ � � + �= 1
p + 1
q = 1.
i i p q
Ora dall’identità
�(�xi� + �yi�) = � �(�xi� + �yi�) �xi� + (�xi� + �yi�) �yi��
p p−1 p−1
i i
§
http://en.wikipedia.org/wiki/Minkowski inequality
¶
Se x e y soddisfano la disuguaglianza di Holder, anche x e µy la soddisfano per qualunque , µ.
77
Appendice II 3.6
segue per la disuguaglianza di Holder

1�q
(p−1)q
�(�xi� + �yi�) ≤ �x�p ��(�xi� + �yi�) � +
p
i i
1�q
�y�p ��(�xi� + �yi�)(p−1)q� .
i
Ma q (p-1) = p e 1-1�q = 1�p per cui
1�q
�(�xi� + �yi�) ≤ ��(�xi� + �yi�) � (�x�p + �y�p)
p p
i i
⇓
1�p
��(�xi� + �yi�)p� ≤ �x�p + �y�p
i
Essendo �x + y� ≤ �x� + �y�, segue anche la disuguaglianza di Minkowski. �
Disuguaglianza di Young. La disuguaglianza a b ≤ ap�p + bq�q è un caso particolare
della disuguaglianza di Young. Sia f(x) una funzione convessa per x > 0 ossia
(f(x) + f(y))�2 ≥ f( 12 (x + y)) .
Non è necessario richiedere che f(x) abbia derivata continua; tuttavia se f(x) è derivabile due
volta, la convessità equivale a f ′′ (x) ≥ 0. Definiamo ora la trasformata di Legendre di f(x):
(y) = max(x y − f(x))
x>0
Se f è derivabile, allora si ha y − f ′ (x) = 0 e detta x = (y) la relazione inversa, segue (y) =
y (y) − f( (y)). La trasformazione è utilizzata in meccanica analitica: f è la Lagrangiana,
x = q̇ e y = @L�@q̇ è il momento coniugato; allora (y) definisce la Hamiltoniana.
Ad esempio, se f(x) = xp�p, segue (y) = yq�q con 1�p + 1�q − 1, come è facile verificare.
Val la pena di osservare che se la funzione f(x) è asintoticamente f ≈ m x + r, √ allora (y)
� per y < m, come nel caso della lagrangiana relativistica f(x) = x + 1 − 1 ⇒
è definita solo 2
(y) = 1 − 1 − y2. La disuguaglianza di Young a↵erma che

f(x) + (y) ≥ x y
il limite inferiore essendo raggiunto per y = f ′ (x). La dimostrazione è analoga a quella del caso
particolare f = xp�p e verrà omessa. Riferimenti importanti per tutti gli argomenti di questa
appendice sono [Arn78, HLP52].
78
Problemi

Il simboli � e �� indicano gli esercizi più impegnativi. Il simbolo # segnala che la soluzione,
n �∞
almeno parziale, è riportata in fondo al capitolo. Importante: Il segno sarà utilizzato
per segnalare argomenti dove la dimensione finita è cruciale e non è possibile estrapolare a spazi
∞−dimensionali, anche se la cosa non è evidente dal contesto. Una collezione molto ricca di
esercizi si trova su [GL74]..
Problema 1. Sia (e1, e2, ..., en) una base in uno spazio lineare R. Dimostrare che l’insieme
R ′ dei vettori che soddisfano la relazione x = ∑n
i=1 ci ei con
�
�a11c1 + a12c2 + ... + a1ncn = 0
�
�
�
�
�
�a21c1 + a22c2 + ... + a2ncn = 0
�
�
�
�⋮
�
�
�
�
�am1c1 + am2c2 + ... + amncn = 0
(m ≤ n) forma un sottospazio lineare di R. Qual’è la dimensione di R ′ ?
Problema 2. Siano (e1, e2, e3) vettori ortonormali. Dimostrare che i vettori (e1′ , e2′ , e3′ )
definiti da
�
� e1′ = √1 e1 + √i e2
�
�
� �
� ′
2 2
�e2 = √i e1 + √1 e2 + 23 i e3
�
�
�
�
6 6
�
� 3e ′
= √1 e1 + √1 e2 − √i e3
3 3 3
sono linearmente indipendenti.
Problema 3. Dimostrare che se i vettori di una base soddisfano la relazione
n
� �j� �j� =
j=1
allora necessariamente �i� j� = ij.
Problema 4. Calcolare il determinante di Vandermonde

�� 1 1 . . . 1 ��
��
�� x1 x2 . . . xn ��
V(x) = �� x21 x22 . . . x2n ��
��. . . . . . . . . . . . . . . . . . .��
��
��xn−1
1 xn−1
2 . . . xn−1n ��
�
Problema 5.# Dimostrare la formula (di Cauchy)
det � � =
1 V(x) V(y)
1 − xiyj i,j=1,...,n ∏i ∏j(1 − xi yj)
.
79
Problemi 3.6
Problema 6. Sia definita la matrice A:

�
�
�xi (1 − xj) (i < j)
Aij = �
�
�x (1 − xi) (i ≥ j)
� j
dove i numeri reali xi sono ordinati 0 < xn < xn-1 < ... < x2 < x1 < 1. Dimostrare che det(A) =
(1 − x1) ∏n
j=1 (xj − xj+1) xn.
-1
Problema 7. Determinare la decomposizione spettrale dell’operatore rappresentato dalla

matrice
�0 1 0 0�
�0 0 1 0�
� �
�0 0 0 0�
�1 0 0 1�
Problema 8.# Calcolare il determinante

Dn(q) = det �q(j-k) �
2
essendo q un numero complesso qualunque.

Problema 9.# Calcolare il determinante
��1−z 2 n ��
��
�� 2 3−z 4 5 . . . n+1 ��
3 4 ...
det �� 3 4 5−z 6 . . . n+2 �� , (z ∈ C)

��
��
�� n n+1 n+2 . . . . . 2n−1−z��
. . . . . . . . . . . . . . . . . . .
Problema 10. Sia Pn lo spazio lineare costituito dai polinomi a coefficienti complessi in
una variabile x con grado ≤ n. Sia ej = xj−1, j = 1, 2, ..., n − 1, n la base naturale dei monomi.
Determinare la matrice rappresentativa dei seguenti operatori lineari:
i) (D p)(x) = dp(x)�dx.
ii) (Q p)(x) = x dp(x)�dx.
iii) (T p(x)) = p(x + 1).
e calcolarne lo spettro.
Problema 11. Determinare l’operatore inverso (se esiste) dei seguenti operatori lineari
nello spazio Pn dell’esercizio precedente: i) D + ; ii) Q + ; iii) T .
Problema 12. Nello spazio Pn dell’Eserc.10 sia definito un prodotto interno in uno dei
modi seguenti
a) �p1� p2� ≡ 12 −1 p1(x) p2(x) dx
´1
´∞
b) �p1� p2� ≡ 0 e−x p1(x) p2(x) dx
´∞
c) �p1� p2� ≡ −∞ e−x p1(x) p2(x) dx
2
i) determinare la norma del vettore ej = xj−1, j = 1, 2, 3, . . . nei tre casi;

ii) studiare i funzionali lineari
a) 1(p) = −1 x p(x) dx
´1
´∞ dp(x)
b) 2(x) = 0 e−x �p(x) + x � dx
dx
´∞ 2 dp(x)
c) 3(x) = −∞ e−x x dx
dx
e determinare i corrispondenti vettori associati ad essi dal Teorema 2.4.2.
Problema 13. Riferendosi al Probl.10, determinare St = exp{t D} e St = exp{t Q}.
80
Problemi
Problema 14. Sia f(z) una funzione analitica in un intorno di z = 0. Determinare la

matrice rappresentativa dell’operatore f(D) (Probl.10).
Problema 15. � Sia definito il prodotto interno in Pn in modo tale che �xj� xk� = �nj�
−1
jk.
Si consideri l’operatore
(J p)(x) = 12 nx p(x) + 12 (1 − x2) dp(x)�dx .
Determinare la decomposizione spettrale di J . Verificare che gli autovettori di J sono ortogonali
tra loro.
Problema 16. Determinare lo spettro delle seguenti matrici
√ √
�√0 3 0 0 � �√3x 3 0 0 �
� 3 0 2 0 � � 3 x 2 0 �
A=� � 0 2 0 √3�
� B=� � 0 2 −x √3 �
�
� √ � � √ �
� 0 0 3 0 � � 0 0 3 −3x�
√
Spiegare per quale motivo gli autovalori sono proporzionali: EB = 1 + x2 EA.
Problema 17. Calcolare il logaritmo dell’operatore rappresentato dalla matrice
cos ↵ i sin ↵
� �.
i sin ↵ cos ↵
Problema 18. Discutere l’esistenza e la molteplicità delle soluzioni dell’equazione X 2 = A,

essendo A un assegnato operatore lineare.
Problema 19. Sia Xjk = exp{a j + b k}, con a, b ∈ C, j, k = 1, 2, ..., n. Determinare la
decomposizione spettrale della matrice X
Problema 20.# Siano A e B due operatori lineari. Dimostrare che gli operatori AB e BA
hanno lo stesso polinomio caratteristico e lo stesso polinomio minimale.
Problema 21. Dimostrare che se
m
det (z − A) = � (z − k)
rk
1
allora
m
det �z − A2� = � (z − k)
2 rk
1
Problema 22. � Dimostrare che per qualunque f(z) tale che esista f(A)
^ si ha (con le
notazioni del Problema precedente)
m
det �z − f(A)�
^ = � (z − f( k))
rk
1
Problema 23. Dimostrare l’identità

det(exp{A}) = exp{Tr(A)}
essendo Tr(A) la traccia di A, ossia la somma degli elementi di matrice sulla diagonale.
Problema 24. Dimostrare che i proiettori spettrali e i nilpotenti che entrano nella decom-
posizione spettrale di un operatore lineare soddisfano le relazioni
i) Tr(Em) = 0 per m > 0
ii) Tr(P ) = r (molteplicità di ).
81
Problemi 3.6
Problema 25.# �� La matrice U di dimensione n + 1 è definita da

Ujk = (n+1)−1�2 exp {2⇡i j k�(n+1)}
(j, k = 0, 1, 2, ..., n). Dimostrare che U è unitaria e calcolarne lo spettro. (U rappresenta la
tabella dei caratteri irriducibili del gruppo delle permutazioni Sn+1, alias la matrice che realizza
la trasformata di Fourier discreta ).
Problema 26. Calcolare lo spettro dell’operatore B(t) al secondo ordine in teoria delle
perturbazioni:
�2 t �
0 0 0�
�t 1 t 3 0 0 �
� � 2 � �
� �
B(t) � �
�0 t 2 �
3
0 t 2 0�
3
�
� �
� �
�0 0 t 2 -1 t �
3
�0 0 0 t -2�
√ �0 1 0�
Problema 27. Sia A = 1�2 �10 1�. Determinare l’operatore exp{it A}.
�0 1 0�
Problema 28. L’operatore F è rappresentato dalla matrice

�1 1 1 1�
�1 -1�
F � 1�2 � �
1 1
�1 1 1 -1�
�1 1 1 1�
i) determinare la decomposizione spettrale di F;
ii) calcolare V(t) = exp(tF)
iii) calcolare det(V(t)).
Problema 29. Sia X l’operatore definito nel Probl.19. Quali condizioni devono essere
imposte su a, b affinché X sia i) normale, ii) autoaggiunto ?
Problema 30. # �� Siano a1, a2, ..., an gli autovalori della matrice A di dimensione n, e
siano Tk le tracce Tk = Tr(Ak) = ∑j ak
j . Dimostrare che il polinomio caratteristico (z) della
matrice A ha la forma seguente
n
(z) ≡ det (z − A) = � pj(A) zn−j
0
dove i coefficienti sono determinati dalle formule di Newton

�� T1 1 0 0 . . 0 ��
��
�� T2 T1 2 0 . . 0 ��
�� T T T 3 . . 0 ��
pj(A) = det �� 3 2 1 ��
1
�� ⋮ ⋮ � � . . ⋮ ��
��Tj-1 Tj-2 . . T2 T1 j − 1��
j!
��
�� Tj Tj-1 . . T3 T2 T1 ��
Problema 31.# �� Con le stesse notazioni del problema precedente, dimostrare che vale lo
sviluppo in serie (nota come formula di Brioschi)
∞
det(1 − t A)−1 = � qj(A) tj
j=0
82
Problemi
dove
�� T1 . . 0 ��
�� -1
. . 0 ��
0 0
�� T2 -2
�
�� T . . 0 ��
T1 0
qj(A) = det �� 3
-3
�
1 T2 T1
�� ⋮ ⋮ � � . . ⋮ ��
��Tj-1 �
T1 -j+1��
j!
��
T2 T1 ��
Tj-2 .. T2
�� Tj Tj-1 .. T3
Problema 32. �� Secondo le notazioni del Probl. 30, ricavare le seguenti identità valide per
il caso aj = a qj−1, q ≠ 1:
n
(z) = � � � (−a)j qj(j−1)�2 zn−j
n
j=0
j q
∞
n+j−1
(z)−1 = � � � aj z−n−j
j=0
j q
dove
(q; q)n n
� � = , (↵, q)n ≡ � (1 − ↵ qj−1) , [n]! = (q, q)n
n
j q (q; q)j (q; q)n−j j=1
Problema 33. # Sia A0 un operatore autoaggiunto invertibile e sia P = �v� �v�. Dimostrare
che l’operatore A = A0 + " P è invertibile per " sufficientemente piccolo e il suo inverso è dato da
A−1
0 P A0
−1
A−1 = A−1
0 +"
+ " Tr(A−1
.
0 P)
Problema 34. Con riferimento all’esercizio precedente, dimostrare che
det(z − A0 − "P) = det(z − A0) �1 − " �v� (z − A0)−1 �v�� .
Questa relazione si può utilizzare per calcolare lo spettro di A noto quello di A0.
Problema 35. Sia Q la matrice Qij = i+j-1, (i, j = 1, 2, ..., n. Dimostrare che vale l’equazione
Q3 − n2Q2 − 12 n (n -1) Q
1 2 2
=0
e dedurne la decomposizione spettrale (vedi anche il Probl.9).
Problema 36. Sia Pn lo spazio dei polinomi complessi con prodotto interno come nel Probl.
15. Determinare la rappresentazione matriciale dell’operatore (D p)(x) = dp(x)�dx nella base
ortonormale ej = N -1�2 xj-1, (j = 1, 2, ..., n). Costruire l’aggiunto Hermitiano di D e darne una
rappresentazione indipendente dalla base.
Problema 37.# � (Modello di Eherenfest). Sono date due urne contenenti N biglie numerate
da 1 a N. Si estrae ripetutamente un numero a caso compreso tra 1 e N e la biglia corrispondente
al numero estratto cambia posto dall’urna in cui si trova all’altra.
a) Dimostrare che la probabilità p(n, t) di trovare n biglie nella prima urna dopo t estra-
zioni soddisfa la relazione
� p(0, t + 1) � �0 1�N 0 0 ........... 0� � p(0, t) �
� p(1, t + 1) � �1 0 2�N 0 0� � p(1, t) �
� � � � � �
0 ......
� p(2, t + 1) � �0 1-1�N 0 3�N 0 . . . . . . 0� � �
� � � � � p(2, t) �
� ⋮ � = �⋮ ........... � ........... � �
⋮� = � ⋮ �
� � � �
�p(N-2, t + 1)� �0 0 . . . . 3�N 0 1-1�N � �p(N-2, t)�
� � � � � �
� � � � � �
�p(N-1, t + 1)� �0 0 . . . . . . . . . 2�N 0 1� �p(N-1, t)�
� p(N, t + 1) � �0 0 0 . . . . . . . . . 1�N 0� � p(N, t) �
ossia p(n, t + 1) = N (N − n + 1) p(n − 1, t) + N (n + 1) p(n + 1, t).
1 1
83
Problemi 3.6
b) Sfruttando il risultato del Probl. 15 determinare la probabilità di avere un’urna vuota

dopo t secondi se inizialmente la stessa urna era vuota;
c) Scrivere un programma matlab per simulare il processo.

Per apprezzare appieno questo esercizio è meglio riprenderlo quando si sia studiata la Parte
IV.
Problema 38. Sia A(t) un operatore lineare dipendente da un parametro reale t. Suppo-
nendo che A sia derivabile, dimostrare che la derivata dell’operatore inverso è data da
d −1 dA(t) −1
A (t) = − A−1(t) A (t)
dt dt
Problema 39. Determinare la soluzione del sistema lineare
�
� dx
�
�
� = −x + y
�
�
� dt
�
�
�
dy
� dt = −y + z
�
� dz
�
�
� = w − 3x
�
�
�
�
�
�
dt
�
�
�
dw
= −z + y
� dt
essendo x = 1, y = 1, z = 1, w = 3 per t = 0.
Problema 40. Calcolare l’esponenziale exp(t Z) essendo Z la matrice
� 0 n3 -n2�
Z = �-n3 0 n1�
� n2 -n1 0�
con n21 + n22 + n23 = 1.

Problema 41. Si determini lo spettro della matrice A(t) al secondo ordine in teoria delle
perturbazioni e confrontare il risultato con quello esatto:
�0 1 t 0�
�t 0 t�
A=� �
0
�t 0 0 −2i�
�0 t 2i 0�
. Per quali valori di t lo sviluppo perturbativo converge?
Problema 42. Un operatore lineare T ha la seguente rappresentazione matriciale detta
“triangolare superiore”:
�t11 t12 t13 . . . . t1n �
� 0 t22 t23 . . . . t2n �
� �
T � � 0 0 t33 . . . . t3n �
� �
� ⋮ ⋮ ⋮ � ⋮ �
� 0 0 0 . . . . tnn�
Qual’è lo spettro di T ? Nell’ipotesi che tutti gli autovalori siano distinti calcolare (exp T )ii e
(exp T )ii+1.
Problema 43. Dimostrare che se X ha tutti autovalori distinti e Y commuta con X allora
Y è diagonale nella stessa base in cui lo è X .
84
Problemi
Problema 44.# Determinare autovalori ed autovettori della matrice di dimensione n

�0 1 0 0 . . . . 0�
�1 0 1 0 . . . . 0�
�0 1 0 1 . . . . 0�
� �
X=� �
�⋮ � � � ⋮ �
� �
�0 0 0 . 1 0 1�
�0 0 0 . 0 1 0�
Problema 45.# Sia Y una matrice che soddisfa la relazione

Yj+1k + Yj−1k = Yjk+1 + Yjk−1
(matrice iperbolica) con la convenzione che Yij = 0 se un indice è esterno a [1, n].
i) Dimostrare che Y è individuata univocamente dalla sua prima riga;
ii) assegnata la prima riga, calcolare lo spettro di Y;
iii) diagonalizzare la matrice che si trova in copertina.
Problema 46.# La matrice (iperbolica) K di dimensione N è definita da
�
�Kii = (N + 1)�2
�
�
�
�
�Kij = 0 (i + j pari)
�
�
�
�
�
�
�Kij = 2(N+1)
1
�cot2( 2(N+1) ) − cot2( 2(N+1) )� (i + j dispari)
⇡(i+j) ⇡(i−j)
�
Calcolarne lo spettro.
Problema 47.# � Sia U(n) una matrice che soddisfa la condizione del Probl. 45, con U1j =
(n)
jn+1 e U(1) = X la matrice del problema 44. Dimostrare la relazione di ricorrenza

X U(n) = U(n−1) + U(n+1) .
Ricavare la forma esplicita della dipendenza funzionale U(n) = fn(X ).
Problema 48. � Determinare esplicitamente la matrice
n+1
K= cos−1(X �2)
⇡
dove al solito X si riferisce alla matrice del problema 44.
Problema 49.# � Dimostrare che la matrice n × n
��
�
� (1 − x2j)(1 − x2k) (xj − xk)−2 (j ≠ k)
Mjk = �
�
�
�∑i≠j(1 − xi ) (xj − xi) (j = k)
2 −2
dove xj = cos � n+1

j⇡
�, è funzione di X (44) e determinarne lo spettro.
Problema 50. Una matrice C è detta “circolante” se le sue righe sono ottenute dalla prima
permutando successivamente in modo ciclico gli elementi di matrice, ad es.
�a b c �
C = � c a b�
� b c a�
Sia C una matrice circolante di dimensione N. Dimostrare che lo spettro di C è dato da
N
n = � C1j !j−1
n
j=1
avendo indicato con !n l’n−esima radice dell’unità.
85
Problemi 3.6
Problema 51.#Sia J l’operatore lineare (nilpotente) rappresentato dalla matrice Jij = ij+1.
Dimostrare che ogni operatore che commuta con J è funzione di J .
Problema 52 (Coppie di Lax). Siano A(t) e B(t) operatori lineari che soddisfano l’equa-
zione
dA(t)
= B(t) A(t) − A(t) B(t) ;
dt
dimostrare che lo spettro di A è indipendente dal tempo.
Problema 53. Siano A e B come nel problema precedente. In particolare sia

�a1 b1 0 b4� � 0 −b1 0 b4 �
�b 0� �b −b2 0 �
A=� 1 �, B=� 1 �
a2 b2 0
�0 b2 a3 b3� � 0 b2 0 −b3�
�b4 0 b3 a4� �−b4 0 b3 0 �
Dimostrare che attraverso la trasformazione
aj = 12 pj , bj = 2 exp{(qj−1 − qj)�2},
1
(j = 1, 2, 3, 4)
con la convenzione q0 ≡ q4, l’equazione dA�dt = [B(t), A(t)] si riconduce alle equazioni del
moto Hamiltoniane di un sistema classico con coordinate canoniche (qi, pi). Determinare l’Ha-
miltoniana e generalizzare il risultato a matrici di dimensione qualunque. Nota: dal risultato del
problema precedente, lo spettro di A(t) è indipendente dal tempo; questo comporta che il sistema
è integrabile. Determinare le costanti del moto.
Problema 54. Dimostrare che per ogni coppia di operatori lineari X , Y vale l’identità
exp(tX ) exp(sY) exp(−tX ) exp(−sY) = 1 + t s (X Y − YX ) + O(t2) .
Cenno: sviluppare in serie di potenze in t, s.
Problema 55 (Matrici tridiagonali). # � Una matrice è detta tridiagonale se ha elementi

nulli tranne che per la diagonale principale e le due diagonali adiacenti, cioè Tij = 0 per �i−j� > 1.
Sia T una matrice tridiagonale reale e simmetrica. Dimostrare che se tutti gli elementi Tii+1
sono diversi da zero, gli autovalori di T sono tutti semplici.
Problema 56. Calcolare lo spettro della matrice circolante

�0 1 0 0 ... 0 1�
�1 0�
� �
0 1 0 0 ...
�0 0�
� 1 0 1 0 ... �
D=�
�⋮ . � � ... ⋮�
�
�⋮ ...... � � ⋮�
� �
� �
�0 0 ...... 1 0 1�
�1 0 0 ...... 1 0�
Problema 57. # �� Dimostrare, facendo uso della soluzione del Cap.3.5.3, la formula di
Christho↵el–Darboux
N−1
N−1 pN(x) pN−1(y) − pN−1(x) pN(y)
� pn(x) pn(y) =
n=0 N x−y
dove pn(x) = n x + ... è una base di polinomi ortonormali.
n
86
Problemi
Problema 58. Sia PN lo spazio dei polinomi ortogonali di grado ≤ N rispetto a una
qualunque misura di integrazione. Dimostrare che la funzione
N
K(x, y) ≡ � n(x) n(y)
n=0
definita per una scelta di vettori di base ortonormali n(x) è indipendente dalla base. Inoltre
mostrare che per ogni polinomio p(x) vale la relazione
�ex� p� = p(x)
essendo ex il polinomio ex(y) = K(x, y). In altre parole, K(x, y) fa le funzioni della (x, y) di
Dirac nello spazio PN.
Problema 59.# Fissato un punto x0 si determini il polinomio p(x) di norma 1 in PN tale

che risulti massimo il valore p(x0).
Problema 60. Sia definito il prodotto interno nello spazio PN nel modo seguente
p1(x + iy) p2(x + iy)
�p1� p2� = dx dy
ˆ
(1 + x2 + y2)N+2
R2
i) Determinare la normalizzazione dei vettori ek(x) = Nkzk in modo che formino una base
ortonormale (z = x + iy).
ii) Calcolare la funzione K(x, y) definita nel Probl.58.
iii) Dimostrare che per ↵, ∈ C, �↵�2 + � �2 = 1, l’operatore U(↵, ) definito come
↵z +
(U p)(z) = (− z + ↵)N p � �
− z+↵
è unitario.
iv) Selezionati ↵ = cos 12 , = sin 12 , si determini l’operatore J tale che U = exp(i J ).
Problema 61. Dimostrare l’identità
n
Ad X (Y) = � � � Xk Y (-X)n-k
n n
j=0 k
essendo Ad X(Y) ≡ [X, Y]. Suggerimento: applicare il principio di induzione matematica.

Problema 62.# Un dado da gioco di cui mostra lo sviluppo delle facce presenta la numera-
zione da 1 a 6. Se si sostituisce ad ogni numero la media dei primi vicini (es. 5 → (1+2+3+4)�4
) si ottiene un dado con numerazione razionale. Se il procedimento è ripetuto indefinitamente
quale sarà il valore limite su ogni faccia? (Per una soluzione che richiede nozioni di teoria dei
gruppi si veda [Kir74] §16. Generalizzare il problema a un poliedro regolare.
Problema 63. Un operatore lineare A soddisfa l’equazione minimale A3(1 − A)2 = 0.

Determinare la decomposizione spettrale di A.
Problema 64. Risolvere il sistema di equazioni di↵erenziali

� x � �0 1 0 0� � x �
d � y � �0 0� � y �
� �=� ��
0 1
dt � z � �0 0 0 1� � z �
�w� �0 0 0 1� �w�
con le condizioni iniziali (x, y, z, w)t=0 = (1, 0, 0, 0).
87
Problemi 3.6
Figura 3-1. Il dado del Probl.62
Problema 65.# Sia K un operatore tale che −K sia invertibile, esiste ciè unica la soluzione
dell’equazione x = K x + y , con y assegnato.
i) Discutere la convergenza del procedimento iterativo
xt+1 = K xt + y , x0 = 0 , t = 1, 2, 3, ...
ii) mostrare che, scelto un parametro reale ! compreso tra 0 e 1, il nuovo procedimento
iterativo
xt+1 = (1 − !) xt + !(K xt + y) , x0 = 0 , t = 1, 2, 3, ...
se converge determina la stessa soluzione.
Il parametro ! è noto come parametro di rilassamento e in genere facilita la convergenza
dell’iterazione.
Problema 66. Sia RA (z) = (z − A)−1 il risolvente di A. Dimostrare che se z0 è un
autovalore di A allora RA ammette lo sviluppo (di Laurent)
∞
RA (z) = � An (z − z0)n ,
n=−⌫−1
e dimostrare che A−2 A−1 = A−2 , A2−1 = A−1 .

(2)
Problema 67. Sia Pn lo spazio dei polinomi in due variabili di grado ≤ n.
iii) Si determini lo spettro degli operatori
M = i �x −y �
@ @
@y @x
R=x +y
@ @
.
@x @y
iv) Dimostrare che il commutatore [M, R] è zero e sfruttare questo fatto per semplificare
il calcolo degli autovalori di M.
v) Siano K1 = x +y , K2 = x + y ; determinare i commutatori tra K1, K2, M.
@ @ @ @
@x @y @y @x
Problema 68.# � Sia Hn lo spazio dei polinomi armonici in tre variabili di grado ≤ n:
(3)
(3)
p ∈ Hn ∶ p(x, y, z) = � cijk xi yj zk
i+j+k≤n
2
@ 2 @ 2
�� + � � + � � � p(x, y, z) = 0 .
@
@x @y @z
Determinare lo spettro dell’operatore M3 = i �x @y
@
− y @x
@
�.
88
Problemi
z x − iy
Problema 69. Sia U = � � una matrice unitaria 2 × 2. Sia inoltre X = � �
a b
−b̄ ā x + iy −z
una matrice Hermitiana a traccia nulla, pure 2 × 2. Si dimostri che X ′ = U X U† è Hermitiana a
traccia nulla e che gli elementi di matrice di X ′ definiscono le variabili x ′ , y ′ , z ′ legate a x, y, z
da una rotazione spaziale.
Problema 70. Sia S una generica matrice complessa 2 × 2 con determinante uguale a uno
z + t x − iy
(S ∈ SL(2, C)). Sia inoltre X = � � con x, y, z, t reali. Si verifichi che X ′ = S X S†
x + iy −z + t
è della stessa forma di X con variabili x ′ , y ′ , z ′ , t ′ legate a x, y, z, t da una trasformazione di
Lorentz.
Problema 71. Dimostrare che la serie definita dalla Eq.3.13 converge per ogni t e ogni
coppia di operatori A, B.
n �∞
Problema 72.# Dimostrare che le relazioni
[A, B] = Z , [A, Z] = O , [B, Z] = O ,
implicano Z = O nel caso che A sia diagonalizzabile.

In Meccanica Quantistica si considerano gli operatori canonici q e p che soddisfano le regole
di commutazione di Heisenberg
�
[q, p] = ih
La tesi del problema implica che q e p non possono essere realizzati con matrici finito–dimensionali.
Si tornerà su questo nella Parte III.
n �∞
Problema 73.# � Siano A e B due operatori lineari tali che A + tB abbia spettro
indipendente da t. Dimostrare che B è nilpotente.

n �∞
Problema 74. Siano A, B e C operatori lineari tali che A+tB+t2 C abbia spettro
indipendente da t. Dimostrare che C è nilpotente.

Anche questo risultato NON si estende a infinite dimensioni, ad es. per gli operatori q, p della
Meccanica Quantistica vale la relazione
� �
e−itp�h �p2 + q2� eitp�h = �p2 + q2� − 2tq + t2
che viola palesemente l’a↵ermazione.
n �∞
Problema 75.# L’operatore non può essere un commutatore, cioè non esistono
operatori A, B tali che [A, B] = .
Problema 76. Determinare lo spettro dell’operatore
�0 1 a 0 0 ...... 0�
�1 0�
� �
a 1 a 0 0 ....
�a 0�
� 1 a 1 a 0 0 . �
X(a) = �
�⋮ �� ⋮ �
�
�0 a�
� �
� �
...... a 1 a 1
�0 ...... 0 a 1 a 1�
�0 ......... 0 a 1 0�
89
Problemi 3.6
corrispondente a una matrice definita secondo il Probl.45 utilizzando la teoria delle perturbazioni
nel parametro a.
Problema 77. Una matrice ha tutti elementi nulli al di fuori della prima riga e della prima
colonna. Trovare il suo spettro.
Problema 78. Una matrice ha tutti elementi nulli al di fuori delle prime due righe e delle
prime due colonne. Ridurre il problema della determinazione dello spettro a quello di una matrice
4 × 4.
Problema 79.#Siano �a1� , ..., �ar� e �b1� , ..., �br� vettori arbitrari in uno spazio n−dimensionale
(r < n). Dimostrare che lo spettro dell’operatore
A = � �aj� �bj�
j
è dato dalle r radici dell’equazione
det �z ij − �bi� aj�� =0
mentre i rimanenti n − r autovalori sono tutti nulli.
Problema 80.# � La matrice rappresentativa di H( ) è data da
�1 0 ............... 0�
� 0�
� �
2 0 .............
�0 0�
� �
3 0 ...........
�0 0�
� 0 4 0 ......... �
H��
�0 0�
�
�0 0�
0 0 5 0 ......
� �
� �
0 0 0 6 0 ...
�⋮ ⋮ ..... � � � � ⋮�
� �
�0 .......... 0 N-1 �
�0 ............ 0 N�
Dimostrare che l’ n−esimo autovalore (n < N�2) ammette uno sviluppo in serie del tipo En =
n + (n) 2n) e calcolare (n).
Problema 81. � Vale la seguente rappresentazione per lo sviluppo di Baker–Campbell–
Hausdor↵ (Rychtmeyer e Greenspan, Commun.Pure Appl. Math. XVIII (1965) pag. 107):
1
X Y
Z = log(e e ) = X + �eAd X etAd Y � Y dt
ˆ
0
dove
z log z
(z) =
z−1
Utilizzare questa formula per ottenere i primi termini dello sviluppo come nell’Eq.3.14.
Soluzioni
#. 5 Moltiplichiamo il determinante per ∏i,j(1 − xi yj) e distribuiamo i fattori contenenti xi
alla i−esima riga. Ne risulta il determinante
det �∏i≠j(1 − xi yj)�
che è un polinomio di grado n−1 in tutte le variabili xi e yi. Dato che esso si annulla se per una
coppia qualunque xi = xj, esso deve contenere il fattore V(x) (Vandermonde) e analogamente
V(y). Contando le potenze si vede che il fattore che rimane indeterminato deve essere una
costante, che si determina controllando il limite xn → ∞.
. 8 Il determinante è un Vandermonde cammu↵ato!
#
90
3.6. SOLUZIONI
#. 9 La matrice che si ottiene ponendo z = 0 è di rango 2, infatti la somma della riga i+1 con
la riga i − 1 è il doppio della riga i−esima. Questo implica che nello sviluppo del determinante
caratteristico compaiono soltanto le potenze zn, zn−1 e zn−2. Si trova quindi
det = (−z(n+(−z)n−1(1 + 3 + 5 + ... + 2n − 1) + (−z)n−2 �((2i − 1)(2j − 1) − (i + j − 1)2) = etc .
i<j
. 25 L’unitarietà discende dalle proprietà delle radici dell’unità:

#
�
�
n
�1 se k = 0 mod (n+1)
1
� exp � 2⇡i
= �
�
j k� .
�
�
0 altrimenti
n+1 n+1
j=0
La matrice soddisfa l’identità U4 = con radici semplici 1, i, −1, −i e quindi lo spettro è contenuto
in questo insieme di valori. Tuttavia determinare la rispettiva molteplicità non è un problema
di semplice soluzione. Una soluzione brutale consiste nel chiedere a Mathematica, cosı̀
U[n_]:=Array[Exp[2 Pi I (#1-1)(#2-1)/n]/Sqrt[n] & ,{n,n}];
(* .........Nota Bene....ˆ.....ˆ................ˆ......... *)
Eigenvalues[U[5]]
[-1, i, -i, 1, 1]
Eigenvalues[U[6]]
[-1, -1, i, -i, 1, 1]
etc, e tentare di estrarne una regolarità. La trattazione generale si trova su [Meh89], Sec.7.12
dove si mostra che la molteplicità è data da r(1) = [(n + 4)�4], r(−1) = [(n + 2)�4], r(i) =
[(n + 1)�4], r(−i) = [(n − 1)�4], dove [ . ] indica la “parte intera”.
. 30−31 Si veda [Lit50] Sec.6.2.

#
. 33: Si veda [GL96], sec.2.1.3.

#
. 37: Il modello è di↵usamente descritto da Marc Kac in [Kac59, Wax54]. Ci limitiamo
#
qui a pochi cenni. Si tratta di calcolare la potenza n−esima della matrice Pjk definita da
Pjk =j j+1 k + j k+1 (N − k + 1) .

1 1
N N
Dato che gli elementi di matrice sono funzioni polinomiali degli indici conviene associare al
vettore pj il polinomio p(x) = ∑j pj xj e l’azione della matrice viene tradotta in quella di un
operatore di↵erenziale
d
Pjkp(k) �⇒ (P p)(x) = �x + (1 − x2) � p(x)
1
N dx
Lo spettro di P si determina facilmente attraverso l’equazione agli autovalori
d
�x + (1 − x2) � p(x) = p(x)
1
N dx
Si trova = 1 − 2n�N, n = 0, 1, 2, ..., N. Tutto lo spettro è contenuto nell’intervallo [−1, 1] e per
potenze grandi di P domineranno gli autovalori 1 e −1. L’autovettore appartenente all’autovalore
1 rappresenta la distribuzione di probabilità stazionaria cui ogni distribuzione tende per t → ∞
(a patto di mediare sul tempo lim T1 ∑Tt=1 p(t, ∶) cancellando cosı̀ il termine oscillante (−1)t.
. 44 Se non si sa calcolare lo spettro significa che non si è letta l’introduzione – vedi

#
Cap.1.3. In alternativa: si può considerare X come un trancio finito dimensionale di una
matrice infinita con elementi Xij = ij+1 + ji+1. Questa matrice ammette gli autovettori xj =
91
Problemi 3.6
(. . . , z−3, z−2, z−1, 1, z, z2, . . .) yj = (. . . , z3, z2, z, 1, z−1, z−2, . . .) con lo stesso autovalore z + z−1. È
sufficiente richiedere che il vettore A xj + B yj si annulli per j = 0 e j = N + 1 per ottenere lo
spettro.
. 45 La relazione di ricorrenza permette di calcolare la riga n + 1-esima dalla n-esima.

#
Per costruzione la matrice commuta con X del problema precedente e ne condivide perciò gli
autovettori. Ne segue che
� Ykj sin (⇡ j n�(N+1)) = n sin (⇡ k n�(N+1)) , (n = 1, 2, ..., N)
j
La prima riga ci dà allora

n = � Y1j sin (⇡j n�(N+1)) � sin (⇡n�(N+1))
j
Il codice matlab hpm.m costruisce la matrice a partire dalla prima riga. La parte centrale è
data da
hpm.m
1 function Y=hpm(row)
2 ....
3 N=length(row);
4 U=eye(N,N);
5 X=diag(ones(N-1,1),-1);
6 X=X+X’;
7 T=X;
8 Y=U*row(1);
9 Y=Y+X*row(2);
10 for n=3:N
11 Z=T*X-U; % relazione di ricorrenza
12 Y=Y+Z*row(n);
13 U=X;
14 X=Z;
15 end
Dalla linea 10 alla 15 si utilizza la relazione di ricorrenza del Probl. 47. Si potrebbe anche
programmare direttamente Yn+1m = Ynm+1 + Ynm−1 − Yn−1m ma questo richiede un doppio loop
e un codice meno chiaro. Tuttavia (sorpresa!) il numero di operazioni richieste dalla regola di
ricorrenza è molto superiore rispetto al codice “banale” e di conseguenza il tempo di esecuzione
risulta anche superiore, il che non è rilevante per il calcolo una tantum, ma può essere rilevante
per un codice utilizzato più volte come parte di un programma. Ad es. per dimensione 1000 i
tempi sono rispettivamente 57 e 3 sec. Questo esempio dimostra che non sempre l’algoritmo
più evoluto risulta più conveniente!
. 46 La matrice è iperbolica, dunque la sua prima riga contiene tutta l’informazione ne-
#
cessaria, secondo quanto visto al Probl. 45. Può essere anche utilizzato un mezzo più diretto
ignorando questa proprietà ad es.
k1[i_,j_,n_]:=Cot[Pi (i+j)/(2(n+1))]ˆ2 / (2(n+1)) /; OddQ[i+j];

k1[i_,j_,n_]:=0 /; EvenQ[i+j];
k2[i_,j_,n_]:=Cot[Pi (i-j)/(2(n+1))]ˆ2 / (2(n+1)) /; OddQ[i+j];
k2[i_,j_,n_]:=0 /; EvenQ[i+j];
K[n_]:=(n+1)/2 IdentityMatrix[n]+
Array[m1[#1,#2,n]-m2[#1,#2,n] &,{n,n}];
Eigenvalues[K[10]//N]
92
3.6. SOLUZIONI
(prudentemente si chieda a Mathematica di calcolare in float a evitare un output gigantesco).
#. 47 La relazione di ricorrenza si dimostra controllando semplicemente la prima riga. Questa

relazione definisce univocamente i “polinomi di Tschebychev” di II tipo (si veda [GR65]).
. 49 Si veda l’articolo [CMO80]. Lo spettro è dato da mj =
# n+1 (n j−j �2).
1 2
Si veda il codice
matlab/cmo.m.
. 50 Per costruzione la matrice è data dal polinomio
#
C = � C1,j Sj−1
j
dove S è la matrice
�0 1 0 .... 0 0 0�
�0 0�
� �
0 1 0 .... 0
�0 0�
� 0 0 1 0 ... �
S=�
�⋮ �� ⋮�
�
�0 0�
� �
� �
...... 0 0 1
�0 0 ...... 0 0 1�
�1 0 0 ...... 0 0�
Ma SN = e dunque ...etc. Si veda [Meh89] per maggiori dettagli (oppure Wikipedia: circulant
matrix).
. 51: La relazione di commutazione dà

#
�
�
�Xi+1j per i < n
(J X )ij = i+1k Xkj = �
�
� per i = n
�
0
�
�Xij−1 per j > 1
�
(X J )ij = Xik k+1j = �
�0
� per j = 1
�
ossia in modo più intuitivo
�X21 X22 X23 . . . X2n �

�X31 . . . X3n �
�X . . . X4n �
X32 X33
� �
J X = � 41 �
X42 X43
�⋮ ⋮ ⋮ ⋮ �
� �
�Xn1 . . . Xnn�
�0 ... 0 �
Xn2 Xn3
0 0
�0 X11 X12 . . . X1n-1 �
�0 . . . X2n-1 �
�0 . . . X3n-1 �
X21 X22
� �
XJ =� �
X31 X32
�⋮ ⋮ ⋮ ⋮ �
� �
�0 Xn-11 Xn-12 . . . Xn-1n-1�
�0 Xn1 Xn2 . . . Xnn-1 �
il che implica che Xij = 0 per i > j, X11 = X22 = ... = Xnn e in generale Xii+k = xk, indipendente
da i. Ne segue
X = x0 + x1 J + x2 J 2 + . . . + xn−1 J n−1
che è quanto si voleva dimostrare.
93
Problemi 3.6

Sappiamo che se [X, Y] = 0 e se Y ha tutti autovalori distinti allora X = f(Y). Il risultato
appena dimostrato è all’estremo opposto, tutti autovalori uguali, J non è diagonalizzabile, ma
la commutatività è limitata alle funzioni di J .
. 55: L’equazione agli autovalori T x = x è semplicemente

#
t11 x1 + t12 x2 = x1
t21 x1 + t22 x2 + t23x3 = x2
t32 x2 + t33 x3 + t34x4 = x3
⋮
tn-1n-2 xn-2 + tn-1n-1 xn-1 + tn-1nxn = xn-1
tnn-1 xn-1 + tnn xn = xn
La prima equazione determina x2 in funzione di x1; la seconda determina x3 in funzione di x1, x2

e via via fino ad arrivare a (xn−2, xn−1) → xn. L’ultima equazione determina ; l’unica costante
arbitraria a disposizione rimane x1; dunque per ogni autovalore esiste solo un autovettore. Se un
elemento di matrice fuori diagonale si annulla la matrice si spezza nella somma diretta di due
matrici tridiagonali nel qual caso si può avere degenerazione (autovalori multipli). Le matrici
tridiagonali si prestano a una diagonalizzazione veloce attraverso l’algoritmo di Sturm (vedi
[GL96]). L’algoritmo di Lanczos è basato sull’idea di trovare una trasformazione di similitudine
che trasformi la matrice da diagonalizzare A in una matrice tridiagonale
A = S T S −1
essendo poi molto agevole trovare gli autovalori di T . Si veda la sez. 4.5.3.
#. 57 Si veda [Hoc71]. Oppure si tenti una dimostrazione per induzione matematica partendo
da N = 2.
. 59 Dal problema precedente si sa che p(x0) = �ex0 � p�. Dalla diseguaglianza di Cauchy si
#
sa anche che
�p(x0)� ≤ �ex0 � �p� = �ex0 �
Dunque il polinomio cercato è ex0 (x) = K(x0, x).
. 62 Si tratta di un problema che ha legami con la teoria dei processi stocastici - lo stesso di
#
un random walk sulle facce del cubo. Si può formalizzare il problema introducendo la matrice
di adiacenza i cui indici sono in corrispondenza biunivoca con le facce e gli elementi di matrice
sono uno se le facce sono adiacenti e zero altrimenti. Nel caso in esame la matrice di adiacenza
è ovviamente
�0 1 1 0 1 1�
�1 1�
�1 1�
0 0 1 1
� �
A=� �
0 0 1 1
�0 1�
� 1 1 0 1 �
�1 0�
�1 0�
1 1 1 0
1 1 1 0
94
3.6. SOLUZIONI
e l’operazione di media si realizza applicando A�4 al vettore x = (1, 2, 3, 4, 5, 6) ′ :

� 4 �
� 4 �
� 4 �
� �
Ax = � �
� 4 �
� �
�5�2�
�5�2�
e dopo 16 volte
�229375�
�229375�
�229375�
� �
A16 x = � � �65536
�229375�
� �
�228378�
�229378�
La teoria spettrale chiarisce il tutto. Gli autovalori di A sono (1, − 12 , 14 , 0, 0, 0) e quindi in

pochi passi il vettore x è proiettato sull’autovettore appartenente all’autovalore uno, il vettore
con tutte componenti uguali. Dato che la somma dei valori sulle facce non cambia, il valore
asintotico sarà 21�6. La matrice A rappresenta un caso particolare di matrice stocastica .
. 65 L’iterazione ha come soluzione

#
xt = ( − K)−1 ( − Kt) y .
Se lo spettro di K è interamente contenuto nel disco � � < 1 allora Kt → O per t → ∞. Se invece
anche un solo autovalore è in modulo maggiore o uguale a uno il procedimento non converge.
Figura 3-2. La trasformazione 3.1
95
Problemi 3.6
L’e↵etto di introdurre il parametro di rilassamento sostituisce a K l’operatore (1 − !) +

!K il cui spettro è ottenuto da quello di K attraverso una trasformazione che consiste in una
contrazione verso il punto z = 1 (Fig.3-2).
(3.1) 1 − z! == !(1 − z) .
La trasformazione può facilitare la convergenza “risucchiando” lo spettro di K dentro il
disco unitario. A questo fine è necessario che gli autovalori di K giacciano a sinistra della retta
Re{z} = 1.
. 68 È il problema di determinare lo spettro del momento angolare in meccanica quantistica.

#
Si può consultare un testo di M.Q. oppure [Ham62].
. 72 Se A è diagonale (A = ai
# ij), si ha per ogni matrice
[A, B]ij = (ai − aj) Bij
e pertanto
[A, [A, B]]ij = (ai − aj)2 Bij = 0
implica (ai − aj) Bij = Zij = 0.
. 73 Per ipotesi det(z − A − tB) = D(z). Raccogliamo t per ottenere det((z − A)�t − B) =
#
D(z)�tn. Posto z = t⇣, si ha det((⇣ − A�t − B) = D(t⇣)�tn e al limite per t → ∞ si ottiene
det(⇣ − B) = ⇣n, da cui Bn = O.
. 75 Si prenda la traccia: Tr(AB) − Tr(BA) = 0 per la proprietà ciclica della traccia, mentre

#
n �∞
Tr( ) = dim . In infinite dimensioni c’è la possibilità di aggirare questo ostacolo,
se non altro il concetto di traccia non si applica a tutti gli operatori, e infatti la regola di
commutazione [A, B] = è uno dei mattoni fondamentali della Meccanica Quantistica.
. 79 L’operatore A si può rappresentare come il prodotto di due matrici

#
′
�b1�
�b2′ �
� �
� ⋮ �
� ′�
�a1 a2 . . . ar . . . 0� �
�br�
�
�0�
� �
� �
� ⋮ �
�0�
dove ai e bi sono vettori colonna e b ′ , il trasposto, è un vettore riga. Ma sappiamo dal

Probl.20 che possiamo permutare le due matrici nel calcolo del polinomio caratteristico, ne segue
immediatamente il risultato.
. 80 Il risultato è facilmente verificabile in pochi secondi utilizzando un programma simbolico

#
come Mathematica.
H0[n_]:=SparseArray[{i_,j_}-> i,{n,n}];
V[n_]:=SparseArray[{i_,j_}/;Abs[i-j]==1 -> 1,{n,n}];
H[n_]:=H0[n]+ x V[n];
Series[Eigenvalues[H[20],{x,0,14}]
96
3.6. SOLUZIONI
Tuttavia una dimostrazione formale non è difficile da ottenere sfruttando un po’ di algebra. Sia
Wij = i,j+1 − j,i+1 .
W è antisimmetrica, per cui exp{ W} è unitaria. Si trovano subito le proprietà di commutazione
[W, H0] = −V , [W, V] = −2 �1� �1� + 2 �N� �N�
Si ha allora, applicando la Eq.3.13
k k
W
(H0 + V) e− W
= H0 − V + � Ad W (H0) + V + � Ad W (V)
k k
e
k≥2 k! k≥1 k!
= H0 + Ṽ
dove si utilizza la notazione usuale Ad X(Y) ≡ [X, Y]. Ciò mostra che l’operatore H0 + V è
unitariamente equivalente a H0 + Ṽ e si possono calcolare gli elementi di matrice di Ṽ come
segue:
k+2 k+1
Ṽ = � (H0) + � (V)
k+2 k+1
Ad W Ad W
k≥0 (k + 2)! k≥0 (k + 1)!
(k + 1) k+2
= −2 � Ad W (P1 − PN)
k
k≥0 (k + 2)!
L’elemento di matrice diagonale di �n� Ṽ �n�, che ci dà la correzione principale all’autovalore
n−esimo si può calcolare tenendo conto che si ha �n� W m �1� = 0 per m < n-1 e quindi il primo
contributo si ha per k = 2n-2, cosicché la correzione è proporzionale a 2n. Il coefficiente di
2n-2
W n-1P1W n-1 nel commutatore multiplo Ad W P1, si trova immediatamente utilizzando lo
sviluppo dell’Es.61: si trova (-1) � n-1 � da cui 2n = (n-1)!n!
n-1 2n-2 1
, in quanto il segno è assorbito
dal segno di �1� W n-1
�n�. Quando n > N�2 diventa dominante l’elemento di matrice �N� W k �N�;
la correzione risulta anti–simmetrica rispetto a N�2 e la somma di tutti le correzioni è nulla
(come deve essere per via che Tr(V) = 0).
97
III - Operatori lineari nello spazio di Hilbert
CAPITOLO 4
Spazio di Hilbert
4.1. Spazi lineari ad infinite dimensioni

4.1.1. Definizioni fondamentali. Sia H uno spazio lineare complesso dotato di prodotto
interno �.� .�. Supporremo in questa terza parte delle lezioni che lo spazio abbia dimensione
infinita, e cioè esista un numero n di vettori linearmente indipendenti per ogni n ∈ Z+ . Ecco
alcuni esempi.
i) `2 - lo spazio di tutte le successioni (z1, z2, . . . , zn, . . . ∈ C) tali che la somma ∑∞
n=1 �zn�
2
sia convergente; il prodotto interno è dato da

∞
�z� w� ≡ � zn wn .
n=1
ii) C2(a, b) - lo spazio di tutte le funzioni continue nell’intervallo reale (a, b) � C tali che
esista finito l’integrale
ˆ b
�f(x)�2 dx
a
il prodotto interno essendo dato da
b
�f� g� ≡
ˆ
f(x) g(x) dx .
a
iii) H2(D) - lo spazio di tutte le funzioni analitiche regolari in una regione limitata D nel
piano complesso per le quali esista finito l’integrale∗
�f(z)�2 dz ∧ dz ;
ˆ
D
il prodotto interno è dato da
�f� g� ≡ f(z) g(z) dz ∧ dz .

ˆ

D
Avremo modo di considerare altri esempi di spazi a ∞−dimensioni; un ruolo fondamentale

spetta agli spazi L2(X, dµ(x)), dove X è un sottoinsieme di Rn e dµ(x) una misura di integrazio-
ne. La definizione più conveniente di L2 è in termini di “funzioni integrabili secondo Lebesgue”.
Nel seguito tuttavia eviteremo l’uso di tale nozione e definiremo L2 come “completamento” di
C2. ◁
In uno spazio ad infinite dimensioni valgono tutte le proprietà già dimostrate nella Parte II
a patto che siano coinvolti solo vettori in numero finito. Ad esempio valgono le disuguaglianze
considerate nell’App. 3.6 a p. 76.
Dati n vettori ortonormali (e1, e2, . . . , en) è unica la decomposizione del vettore ⇠ ∈ H
n
⇠ = � ⇠i ei + ⇠⊥
i=1
∗
La notazione dz ∧ dz è quella delle forme di↵erenziali; equivale all’elemento d’area dx dy.
101
Spazio di Hilbert 4.1
con �⇠⊥ � ei� = 0. Inoltre

n
�⇠� ⇠� ≥ � � �ei� ⇠� �
2
i=1
che viene chiamata “disuguaglianza di Bessel”.
Una successione di vettori {⇠n�(n = 1, 2, ∞)} si dice convergente con limite ⇠ se �⇠ − ⇠n� → 0
per n → ∞. Dato un insieme S di vettori in H si indica con S e si chiama chiusura di H l’insieme
formato da tutti i punti limite di S, cioè tutti i vettori ⇠ per cui esista una successione con ⇠
come limite. S si dice chiuso se S ≡ S. S si dice denso in S ′ se S = S ′ .
Una successione si dice di Cauchy se per ogni " > 0 prefissato esiste un N tale che
�⇠j − ⇠k� < " ∀ (j, k) > N
Si dimostra facilmente che ogni successione convergente è “di Cauchy”, ma non vale in generale
il contrario.
Definizione 4.1.1. Uno spazio lineare dotato di norma �.� si dice completo se ogni succes-
sione di Cauchy converge ad un vettore dello spazio.
Ogni spazio a dimensione finita risulta completo, ma ciò non è vero per spazi ad infinite
dimensioni. Lo spazio C2 ad es. non è completo. Per dimostrarlo è sufficiente esibire anche una
sola successione di Cauchy non–convergente.
Esempio. Definiamo la successione in C2(0, 1) come segue, indicando con xn il punto xn =
1�2 − 1�n:
�
� per 0 ≤ x < xn
�
�
�
0
fn(x) = �1 + n (x − 2 ) xn ≤ x < 12
1
�
�
�
�
�1 2 ≤x≤1
1
Si ha (per n < m)
Figura 4-1. La successione di Cauchy non convergente in C2
2 (xn − xm)2 1
�fn − fm� = > (1�2 − xn) =
1
3 1 − 2xn 3 3n
dunque la successione è di Cauchy. D’altra parte non esiste alcuna funzione continua f(x) tale
che lim �fn − f� = 0. ◁
Un criterio per decidere se uno spazio è completo è il seguente:
102
4.1. SPAZI LINEARI AD INFINITE DIMENSIONI
Teorema 4.1.1. Uno spazio metrico H è completo se e solo se ogni serie assolutamente
convergente è convergente.

Non si tratta di un gioco di parole: una serie ∑∞
n ⇠n è assolutamente convergente se converge
la serie ∑∞
n �⇠n �. ◁
Dimostrazione. Sia H completo e ∑∞

n �⇠n� = M. Per ogni " > 0 esiste un N" tale che
� �⇠j� < "

n≥N"
ne segue che la successione ⌘n = ∑nj=1 ⇠j è di Cauchy e dunque convergente. Viceversa, se ⌘n è

una successione di Cauchy, esiste una sottosuccessione {⌘j1 , ⌘j2 , ..., ⌘jk , ...} tale che
�⌘jn − ⌘jm � < 2−k
per n > m > k. La serie
∞
⌘j1 + � �⌘jk+1 − ⌘jk �
k=1
risulta assolutamente convergente e quindi converge a un vettore ⇠ ∈ H. Si ha d’altronde
�⇠ − ⌘n� = lim �⌘jk − ⌘n� < " (n > N)
k→∞
�
Teorema 4.1.2. `2 è completo.
Dimostrazione. Sia (⇠(1) , ⇠(2) , ..., ⇠(n) , ...) ∈ `2 con �⇠(n) − ⇠(m) � < " (∀ n > m > N"). Si
ha ovviamente che le successioni delle componenti dei vettori sono di Cauchy, in quanto
(n) (m)
�⇠j − ⇠j � ≤ �⇠(n) − ⇠(m) �
(n)
e perciò esiste il limite, per ogni j, limn → ∞ ⇠j = ⇠j. Resta da dimostrare che ∑∞
n �⇠n� è
2
convergente. La catena di implicazioni seguente dimostra la tesi:

(n) (m)
j=1 �⇠j
∑M − ⇠j �2 < "2
�
�limm→∞
�
�
(n)
∑j=1 �⇠j − ⇠j�2 < "2
M
�
�limM→∞
�
�
(n)
∑j=1 j − ⇠j�2 < "2
∞
�⇠
�
�
�
�
� � 2
(n) (n) 2 (n) (n) 2
∑j=1 �⇠j� = ∑j=1 �⇠j − ⇠j − ⇠j � ≤ � ∑j=1 �⇠j − ⇠j� + ∑j=1 �⇠j � �
M 2 M M 2 M
ed il limite esiste quindi finito. �

Da notare che la condizione essenziale che permette di raggiungere la dimostrazione è che
ogni componente ⇠j di ⇠ ∈ `2 soddisfa la disuguaglianza �⇠j� ≤ �⇠�. In generale si parla di “spazi
funzionali” per gli spazi ad infinite dimensioni i cui elementi sono funzioni da un insieme M � C
tali che
�f(⇠)� ≤ K(⇠) �f�
103
Lo spazio H2(D) ne è un esempio essendo

�f(z)� ≤ K(z̄, z) �f�
(vedi Probl. 59). La funzione K(w̄, z) è chiamata il nucleo di Bergman del dominio D. Lo spazio
H2 è completo (si veda [Hel78], Ch.VIII). ◁

In Fisica Teorica gli spazi di Hilbert costituite da funzioni analitiche in vari domini complessi
a più dimensioni, in particolare lo spazio di Bargmann, si presentano in modo naturale nello
studio degli stati coerenti e nella teoria della quantizzazione geometrica. Per un ampio panorama
sull’argomento si può consultare la raccolta di Klauder–Skagerstam [KS85].
Ogni spazio non–completo può essere completato, cioè può essere realizzato come sottospazio
denso di uno spazio completo. Il procedimento è analogo a quello che definisce il campo dei
numeri reali a partire dai razionali. Dato lo spazio C (non completo) si costruisce lo spazio C i
cui elementi sono le successioni di Cauchy in C:
C = {⌅ � ⌅ = (⇠1, ⇠2, ..., ⇠n, ...) ∈ C}
e si pone
�⌅� ⌅ ′ � ≡ lim �⇠n� ⇠n
′
�
n→∞
(il limite esiste in quanto �⇠n� ⇠n ′

� è una successione numerica di Cauchy). Il passo successivo
consiste nell’identificare i vettori ⌅ e ⌅ ′ se
�⌅ − ⌅ ′ � ≡ lim �⇠n − ⇠n
′
�=0
n→∞
Si scriverà allora ⌅ ∼ ⌅ ′ e lo spazio delle classi di equivalenza H = C� ∼ è uno spazio completo,

che contiene C come sottospazio denso.
⌥ ⌅
⌃ ⇧
Definizione 4.1.2. Uno spazio metrico completo H è detto uno spazio di Hilbert.
Nelle applicazioni si considerano per lo più spazi di Hilbert che soddisfano la condizione
supplementare di separabilità
Definizione 4.1.3. Uno spazio di Hilbert H si dice separabile se esso contiene
una successione ⇠1, ⇠2, ..., ⇠n, ... ovunque densa. Cioè per ogni " > 0 e per ogni vettore ⇠ ∈ H
esiste un k" tale che
�⇠ − ⇠k" � < "

La successione cui si fa riferimento nella definizione di separabilità è l’analogo della successione
dei numeri razionali che è ovunque densa nel campo reale. ◁
Ci occuperemo solo di spazi di Hilbert separabili, per cui ometteremo il termine “separabile”
a meno che non sia opportuno sottolinearlo. Si può dimostrare che ogni spazio di Hilbert
separabile ammette basi ortonormali complete, ed anzi ogni base ortonormale è numerabile.
Una base ortonormale è data da un insieme di vettori
e1, e2, . . . , en, . . .
con �ei� ej� = ij, con la proprietà che
∀ j ∶ �rj� ⇠� = 0 �⇒ ⇠ = 0 .
104

È chiaro che non è sufficiente costruire un insieme infinito ortonormale per avere una base;
l’ultima condizione è essenziale per fare sı̀ che ⇠ = ∑j �ej� �ej� ⇠�, o equivalentemente
� �ej� �ej� =
j
detta condizione di completezza dell’insieme ortonormale {en}. ◁
Esempio. a) Abbiamo già mostrato che `2 è completo; inoltre esso è evidentemente

separabile, dato che ammette la base ortonormale completa
{ej = (0, 0, . . . , 0, 1, 0, . . .) � j = 1, 2, ..., ∞}

←� jth �→
`2 è il modello fondamentale di spazio di Hilbert separabile; ogni altro spazio si↵atto può
essere messo in corrispondenza biunivoca (e isometrica) con `2 mediante l’introduzione
di una base ortonormale:
⇠ = � ⇠iei ∈ H � (⇠1, ⇠2, ..., ⇠n, ...) ∈ `2 .
b) L2(a, b): consideriamo lo spazio C2(a, b) delle funzioni continue definite nell’intervallo
(a, b). Sappiamo che lo spazio non è completo. Il procedimento generale di comple-
tamento porta allo spazio L2(a, b). questo spazio non è costituito da un insieme di
funzioni, bensı̀ da classi di equivalenza di successioni di Cauchy di funzioni continue;
questo fatto rende piuttosto complicata la geometria di questo spazio. È equivalente
definire L2 come lo spazio delle funzioni “misurabili secondo Lebesgue”, ma anche se-
condo questa definizione è necessario considerare le classi di equivalenza rispetto alla
relazione f ∼ g se f − g = 0 quasi dappertutto. Nelle applicazioni, tuttavia, sono alcuni
sottospazi di L2, ad es. quello delle funzioni assolutamente continue, che entreranno in
gioco nella teoria degli operatori lineari. L2 è completo e separabile. Una base ortonor-
male numerabile è fornita ad esempio dai polinomi ortogonali rispetto ad una misura
a µ(dx) = 1, come introdotti nell’appendice 3.5.
´b
c) H2(D) è completo e separabile. Ad es. per D ≡ {z �, �z� < 1} una base ortonormale è
data da
√
en(z) = n + 1 zn , (n = 0, 1, 2, . . . , ∞) .
Un generico vettore di H2(D) è dato da una serie di potenze del tipo
∞ √
f(z) = � fn n + 1 zn
n=0
dove la serie ∑ �fn�2 è convergente. Per un dominio complesso di↵erente, ad es. D =

{z ∈ C� 1 < �z� < 2} una base è fornita da tutte le potenze (positive e negative) e il
corrispondente sviluppo sui vettori di base equivale allo sviluppo di Laurent. In ogni
caso H2(D) risulta essere un sottospazio chiuso di L2(D) e di conseguenza completo e
separabile [Hel78].
d) La somma diretta ∑⊕ n≥1 Hn di spazi di Hilbert, definita come lo spazio delle N-ple
ordinate {fn ∈ Hn � n = 1, 2, ..., N} con la norma definita da �f�2 = ∑N
n=1 �fn� costituisce
2
uno spazio di Hilbert separabile (lo spazio di Fock in fisica quantistica costituisce un
esempio con N → ∞).
◁
105
4.1.2. Funzionali lineari. Un funzionale lineare nello spazio di Hilbert H è definito co-
me nel caso finito–dimensionale. Tuttavia ci si rende conto immediatamente che non tutti i
funzionali lineari possono essere definiti dappertutto in H (a meno di non operare una defi-
nizione convenzionale impiegando le cosiddette basi di Hamel [Mad70, Tay58]). Se ad es.
z ∈ `2 = (z1, z2, ..., zn, ...), definiamo
∞
(z) = � zj .
j=1
È chiaro che esistono vettori in `2 per cui la serie che definisce diverge (ad. es. zj = 1�j). Un
funzionale lineare sarà perciò definito in un opportuno sottospazio lineare D detto il dominio
di
∈D ⊂H � C.
Definizione 4.1.4. Un funzionale lineare con dominio D è detto limitato se esiste un
numero positivo M tale che
� (⇠)� ≤ M �⇠� .
Teorema 4.1.3. Un funzionale lineare ( , D ) è limitato se e solo se esso è continuo.
Dimostrazione. Sia {⇠n � n = 1, 2, ...} una successione di vettori in D avente limite ⇠ ∈ D .
Da �⇠ − ⇠n� → 0 segue anche
� (⇠n) − (⇠)� = � (⇠ − ⇠n)� ≤ M �⇠n − ⇠� → 0
dunque è continuo. Viceversa, se è continuo segue che è limitato: infatti supponiamo che
non sia limitato, e perciò che per ogni n esista un vettore ⇠n tale che � (⇠n)� > n �⇠n�. Ne
segue
� � dy > 1
⇠n
n �⇠n�
�⇠n � �n �
⇠n
ma la successione tende a zero il che contraddice la continuità.
Definizione 4.1.5. Un funzionale lineare si dice densamente definito se la chiusura del suo
dominio è tutto lo spazio D = H.
Un funzionale lineare densamente definito si può estendere per continuità a tutto lo spazio
conservando le sue proprietà. Sia ad es. H = L2(0, 1) e
ˆ 1
(f) = f(x) dx , D = {f ∈ C2(0, 1) ⊂ L2(0, 1)}
0
cioè il dominio è costituito dalle funzioni continue a quadrato sommabile. Dalla disuguaglianza†
�
�ˆ 1
f(x) dx� ≤ �
ˆ 1
� �f(x)�2 dx
0 0
segue che il funzionale è limitato. Il teorema che segue rappresenta l’analogo di quello dimostrato
nella Parte II ( 2.4.2 a p. 31):
Teorema 4.1.4 (di Riesz). Il più generale funzionale lineare limitato è della forma
♯
(⇠) = � � ⇠� .
†
�f(x) − f(y)dy�2 ≥ 0.
´1 ´1
Conseguenza di 0 0
106
Dimostrazione. Diamo due dimostrazioni, una elementare e una indipendente dalla intro-
duzione di una specifica base. Siano {e1, e2, ..., en, ...} i vettori di una base ortonormale. Sia
⇠ = ∑ ⇠iei; per la continuità di si avrà
∞
(⇠) = � ⇠i (ei)
i
il che suggerisce di porre ♯

= ∑∞i (ei) ei; si tratta di dimostrare che ♯
∈ H. Sia (N)
=
∑N
i=1 (ei) ei; si trova ( (N)
)=� � e dalla limitatezza del funzionale
(N) 2
(N) (N)
� �� ≤ M � �
2
segue � (N) � ≤ M. Il limite N → ∞ definisce perciò un vettore in H. 2a dimostrazione: sia N ( )

il sottospazio costituito dai vettori ⇠ tali che (⇠) = 0; il punto cruciale è che la continuità di
comporta che N ( ) ⊂ H è un sottospazio chiuso e se non è identicamente nullo N ( ) è un
sottospazio proprio di H. Dunque esiste un vettore ⌘ ortogonale a N ( ). Si ha perciò
⇠ = ⇠0 + ↵⌘ , (⇠0) = 0, �⌘� ⇠0� = 0
Ne segue
(⇠) = ↵ (⌘) , �⌘� ⇠� = ↵ �⌘�2
Eliminando ↵ si ottiene
(⌘)
(⇠) = �⌘� ⇠�
�⇠�2
e infine
♯ (⌘)
= ⌘
�⇠�2
�
In conclusione lo spazio dei funzionali lineari continui su uno spazio di Hilbert è identificabile
con lo spazio stesso in modo del tutto naturale, ed è consistente utilizzare la notazione di Dirac
anche per lo spazio di Hilbert. Nell’esempio fornito in precedenza (a pag. 106) in e↵etti (f)
coincide con il prodotto interno di f con la funzione identicamente uguale a uno. In L2(0, ∞)
invece la stessa espressione non definisce un funzionale continuo.
Esempio. Un esempio importante di funzionale lineare è il seguente. Sia H = L2(−1, 1) e
(f) = f(0) , D = C2(−1, 1) .
Il funzionale lineare cosı̀ definito risulta essere illimitato e perciò sfugge al teorema di Riesz:
´ alcun vettore in L2 tale che sia (f) = � � f�, anche se nella pratica corrente si scrive
non esiste
spesso (x) f(x) dx = f(0). Per dimostrare che (f) è illimitato è sufficiente considerare una
successione quale
�
� x > 1�n
�
�
�
0
fn(x) = �1 − n x 0 < x < 1�n
�
�
�
�
�f(−x) x < 0
Si trova (f) = 1 e �fn�2 = 2 0 (1 − n x)2 dx = 3n , e dunque il rapporto � (f)�� f� può assumere
´ 1�n 2
valori grandi a piacere. Un altro modo di verificare questo fatto è di considerare lo spazio N ( )
che risulta denso in L2(−1, 1) e quindi il suo complemento ortogonale risulta vuoto. ◁
107
Esempio. Come ultimo esempio si consideri il funzionale ⇢(.) definito in L2(−∞, ∞) da‡
ˆ ∞
⇢(f) = f(x) dx , D(⇢) = L2 ∩ L1
−∞
È facile costruire una successione di funzioni {fn} che mostrano come ⇢ sia illimitato.
Più avanti incontreremo l’operatore
ˆ +∞
(F f)(x) = eixy f(y) dy
−∞
(la trasformata di Fourier ; è chiaro che ⇢(f) = (Ff). ◁
4.2. Operatori lineari nello spazio di Hilbert

La semplicità della classificazione degli operatori lineari negli spazi a dimensione finita non
si trasporta purtroppo al caso dello spazio di Hilbert. In particolare le proprietà spettrali degli
operatori lineari sono estremamente più complesse - vedremo che esistono operatori con spettro
vuoto oppure con spettro che riempie l’intero piano complesso - e di conseguenza il problema
di definire una funzione di un operatore lineare sarà estremamente più impegnativo. Iniziamo
lo studio degli operatori lineari nello spazio di Hilbert individuando alcune classi particolari di
operatori.
4.2.1. Operatori lineari chiusi, continui, limitati. Un operatore lineare nello spazio
di Hilbert è definito nel modo che segue:
Definizione 4.2.1. Sia DA ⊂ H un sottospazio lineare e A ∶ DA � H una applicazione che
soddisfi alle usuali condizioni di linearità, A(↵ ⇠ + ⌘) = ↵ A ⇠ + A ⌘. Allora la coppia (A, DA )
è un operatore lineare. DA è detto il dominio dell’operatore. L’insieme dei vettori immagine
sotto l’applicazione A
RA = {⌘ ∈ H � ⌘ = A ⇠, ⇠ ∈ DA }
è detto il codominio (l’inglese “range”) dell’operatore.

Anche se comunemente ci si riferisce ”all’operatore A”, bisogna tenere ben presente che DA
costituisce una caratteristica importantissima dell’operatore, spesso determinante relativamente
alle sue proprietà spettrali. ◁
Considereremo in genere operatori con dominio denso in H - si dirà che l’operatore è

densamente definito.
Definizione 4.2.2. Un operatore (A ′ , DA′ ) si dice un’estensione di (A, DA) se
(4.1) DA ⊂ DA′
′
A ⇠ = A ⇠ ∀ ⇠ ∈ DA
e si indicherà per brevità A ′ ⊃ A. Un operatore ammette in generale diverse estensioni indipen-
denti a meno che DA non coincida con H.
Definizione 4.2.3. L’insieme dei punti di H × H
GA = {(⇠, A⇠), ⇠ ∈ DA }
è detto il grafico dell’operatore (A, DA ).

Si riserva la notazione (x, y) per indicare la “coppia” mentre useremo sempre �x, y� (ovvero
la notazione di Dirac �x� y�) per indicare il prodotto interno. ◁
´∞
‡
f ∈ L1 se f è assolutamente integrabile sulla retta reale; f ∈ L2 ∩ L1 se esiste l’integrale −∞
�f(x)�⌫ dx sia per
⌫ = 1 che ⌫ = 2.
108
4.2. OPERATORI LINEARI NELLO SPAZIO DI HILBERT
Definizione 4.2.4. Un operatore si dice chiuso se il suo grafico è un sottospazio chiuso di

H × H.
Quest’ultima definizione è forse ingannevole nella sua apparente semplicità. Per esplicitarla,
consideriamo una successione ⇠1, ⇠2, ...⇠n, ... contenuta in DA e la corrispondente successione
(⇠n, A⇠n) ∈ GA , n = 1, 2, 3, ...
Se questa ultima converge, quindi se esistono i due limiti
lim ⇠n = ⇠ , lim A⇠n = ⌘ ,
n→∞ n→∞
allora se l’operatore è chiuso, ne segue che (⇠, ⌘) ∈ G e quindi ⇠ ∈ DA e A⇠ = ⌘. Ciò non esclude
che esistano successioni ⇠n con limite ⇠ ∈ DA ma A⇠n divergente, oppure successioni con A⇠n
convergente ma lim ⇠n ∉ DA , oppure ancora successioni con A⇠n convergente ma ⇠n divergente.
La prima eventualità si presenta per operatori chiusi ma discontinui, l’ultima è sfruttata nella
definizione di spettro continuo.
Se GA non è chiuso, si può esaminare la sua chiusura GA : se questa costituisce un sottospazio
lineare di H×H allora GA costituisce il grafico di un operatore (A, DA ) che viene detto la chiusura
di A.
Definizione 4.2.5. Si assuma che la chiusura del grafico GA sia un sottospazio lineare di
H × H. Allora l’operatore avente grafico GA è detto la chiusura di (A, DA )
Definizione 4.2.6. Un operatore (A, DA ) si dice continuo se per ogni successione ⇠n ∈ DA
avente limite in DA vale la proprietà
A lim ⇠n = lim A⇠n
n→∞ n→∞
Definizione 4.2.7. Un operatore (A, DA ) si dice limitato se esiste un numero positivo M

tale che
�A⇠� ≤ M �⇠� .
Si chiama norma di A il limite superiore (se esiste)
�A ⇠�
�A� = sup
⇠∈DA �⇠�
.
(si veda def. 3.1.2).

Teorema 4.2.1. Le due definizioni precedenti sono equivalenti; e cioè un operatore è limitato
se e solo se è continuo.
Omettiamo la dimostrazione che ricalca quella relativa ai funzionali lineari (Teorema 4.1.3).
Teorema 4.2.2 (Teorema del grafico chiuso). Ogni operatore chiuso definito in tutto lo
spazio di Hilbert è limitato (per la dimostrazione, non del tutto elementare, si veda [Tay58]).

Quest’ultimo teorema spiega la necessità di definire operatori lineari in un opportuno dominio
denso ma che non coincide con l’intero spazio. Vedremo che un operatore autoaggiunto è neces-
sariamente chiuso, e d’altra parte si incontrano spesso nelle applicazioni operatori non–limitati.
Quantunque sia possibile in linea di principio definire un operatore in tutto lo spazio sarebbe
necessario rinunciare a qualche proprietà importante. Una motivazione più soddisfacente è che
la definizione del dominio di un operatore contiene in molti casi informazioni sulle condizioni al
contorno del problema fisico (tipico il caso di operatori di↵erenziali in una regione limitata). ◁
109
4.2.1.1. Criterio di Schur. Un criterio utile per determinare se un operatore è limitato è

formulato nel seguente
Teorema 4.2.3 (Schur). Sia [Am,n]∞ m,n=1 una matrice infinita con elementi di matrice reali
non–negativi. La matrice rappresenta un operatore limitato in `2 se esistono due successioni di
numeri positivi {pn�n = 1, 2, . . .}, {qn�n = 1, 2, . . .} e due numeri positivi a1, a2 tali che siano
verificate le disuguaglianze
∞
(4.2) � Amn pn ≤ a1 qm
n=1
∞
� Amn qm ≤ a2 pn
m=1
√
Inoltre si ha �A� ≤ a1a2.
Dimostrazione. Si tratta di maggiorare ∑m �∑n Amn fn�2; scriviamo

√ √ √ √
� Amn fn = � � Amn pn� � Amn fn� pn�
n n
Per la disuguaglianza di Schwartz segue
�� Amn fn� ≤ � (Amnpn) � �Amr �fr�2�pr� ≤ a1 qm � Amr�fr�2�pr .

n n r r
Sommando su m (e invertendo l’ordine di sommazione) si ottiene il risultato cercato. �

Dato che � ∑n Amn fn� ≤ ∑n �Amn��fn�, il criterio si applica a qualunque matrice a patto di
prendere il valore assoluto degli elementi di matrice. Si vedano i Probl. 12-13-37-39-42. ◁

È interessante anche l’analogo continuo del criterio, applicabile a operatori del tipo
ˆ b
(A f)(x) = A(x, y) f(y) dy , f ∈ L2(a, b)
a
È sufficiente modificare la formula con le sostituzioni ∑ → , n → x. ◁

´
4.2.2. Aggiunto Hermitiano di operatori limitati. Come nel caso finito–dimensionale,

consideriamo il funzionale lineare
⌘(⇠) = �⌘� A �⇠�
Se A è un operatore limitato, si avrà
� ⌘(⇠)� = � �⌘� A �⇠� � ≤ �⌘� �A ⇠� ≤ M �⌘� �⇠�
dunque è un funzionale limitato ed esiste di conseguenza, per il teorema di Riesz, un unico
♯
vettore tale che sia
�⌘� A �⇠� = � � ⇠�
La corrispondenza che mappa ⌘ � ♯
si vede facilmente essere lineare e dunque si definisce
♯
= A† ⌘
A è un operatore limitato, con la stessa norma di A, che viene chiamato l’aggiunto Hermitiano
di A. Se A ≡ A† allora si dice che, come nel caso finito–dimensionale, che A è autoaggiunto.
110
4.2.3. Operatori isometrici e unitari.

Definizione 4.2.8. Un operatore (U, DU ) è detto isometrico se
�U⇠, U⌘� = �⇠, ⌘�
per ogni coppia di vettori ⇠, ⌘ in DU .
Ogni operatore isometrico è ovviamente limitato con norma uno. Se U è isometrico e densa-
mente definito esso può essere esteso per continuità a tutto lo spazio di Hilbert. Dalla definizione
segue immediatamente
U† U =
di conseguenza, da U ⇠ = U ⌘ segue ⇠ = ⌘. Dunque un operatore isometrico definisce una
applicazione biunivoca dello spazio di Hilbert sul codominio (o range) RU § . Si distingue il
caso in cui RU è denso in H dal caso in cui RU non lo è. In quest’ultimo caso, esiste almeno
un vettore ⌘ ortogonale a tutti i vettori U⇠ e perciò U † ⌘ = 0. In questa situazione si ha che
U †U ≠ U U †.
n �∞
Il caso di operatori isometrici con range non denso in H è specifico dello spazio di
Hilbert. In spazi a un numero finito di dimensioni infatti se U † ammette un autovettore con au-
tovalore zero la sua matrice rappresentativa è singolare e dunque anche U avrebbe un autovalore
zero (vedi il Teorema 3.3.5).
Definizione 4.2.9. Un operatore isometrico U si dice unitario se il suo codominio RU è
denso in H.
Un operatore unitario ammette dunque un inverso densamente definito e inoltre U −1 = U † ,
per cui U U † = U † U = .
Esempio. Sia U l’operatore definito in tutto `2 da
� z1 � � 0 �
� z2 � � z1 �
�z � �z �
� � � �
U � 3� = � 2�
� ⋮ � � ⋮ �
� � � �
�zn� �zn�
� ⋮ � � ⋮ �
Dato che le componenti del vettore vengono semplicemente avanzate di un posto è ovvio che la
norma del vettore rimane invariata, dunque U è isometrico. Tuttavia il codominio di U è dato
dai vettori ortogonali a
�1�
�0�
�0�
� �
� �
�⋮�
� �
�0�
�⋮�
e perciò U non è unitario. In e↵etti il suo aggiunto Hermitiano è dato da
� z1 � � z2 �
� z2 � � z3 �
�z � � z �
� � � �
U † � 3� = � 4 �
� ⋮ � � ⋮ �
� � � �
�zn� �zn+1�
� ⋮ � � ⋮ �
§
Ricordiamo che il codominio di un operatore U è dato dall’insieme {⌘ ∈ H � ∃⇠ −
−
∋ ⌘ = U ⇠}.
111
Si verifica perciò che U U † = − �1� �1�. ◁

Operatori isometrici non–unitari si presentano in teoria della di↵usione in Meccanica Quan-
tistica (Operatori di Möller, si veda [New66]). ◁
Esempio. Sia f(x) ∈ L2(−∞, ∞); per ogni numero reale a sia definito l’operatore
(Ta f)(x) ≡ f(x − a)
che rappresenta la traslazione della funzione f. È immediato verificare che Ta è isometrico.
Inoltre, dato che Ta T−a = , Ta risulta invertibile e pertanto unitario. ◁
Esempio. Sia f(x) ∈ L2(0, ∞); per ogni numero reale a sia definito l’operatore
�
�
�f(x − a) (x > a)
(Ta f)(x) ≡ �
�
� (0 < x < −a)
�
0
che rappresenta ancora una traslazione della funzione f; dato che siamo sulla semiretta x > 0 è
come considerare la funzione identicamente nulla per x negativi. È immediato verificare che per
a > 0 Ta è isometrico. Tuttavia, dato che per a negativo la traslazione avviene verso sinistra,
la funzione viene “tagliata” della porzione 0 < x < −a e di conseguenza l’operatore Ta per a < 0
non è isometrico e ammette un intero sottospazio ∞−dimensionale di vettori con Ta⇠ = 0. ◁
Esempio. Più un generale si consideri in L2(R3) l’insieme di operatori definiti da
(TR,a f)(x) = f(R−1(x − a)
dove R è una qualunque matrice ortogonale, che rappresenta una rotazione nello spazio R3.
Anche in questo caso si verifica facilmente che T è isometrico e invertibile, dunque unitario. Ciò
discende dal fatto che lo Jacobiano della trasformazione y = R x + a è dato da det R = ±1. ◁
4.2.4. Aggiunto Hermitiano per Operatori non limitati. Sia (A, DA ) un operatore
non limitato definito densamente in H. Consideriamo il funzionale lineare
⌘(⇠) = �⌘, A ⇠� , ⇠ ∈ DA .
Sia DA† il sottospazio di H tale che per ogni ⌘ ∈ DA† esiste un vettore ^ che soddisfa l’identità
⌘(⇠) = �⌘, A ⇠� = � ^ , ⇠�; .
Si verifica facilmente che la corrispondenza ⌘ � ^ è lineare. Si definisce allora l’operatore A† ,
l’aggiunto Hermitiano di A come l’operatore lineare con dominio DA† tale che A† ⌘ = ^ . Si noti
che a priori non si può dire nulla in generale sul dominio DA† in quanto manca la possibilità di
invocare il teorema di Riesz. In e↵etti si danno esempi di operatori non limitati il cui aggiunto
ha dominio ristretto al vettore nullo 0.
Perchè la definizione sia consistente si tratta di mostrare che la corrispondenza è e↵ettiva-
mente lineare. Si procede come segue: se �⌘, A ⇠� = � 1, ⇠� = � 2, ⇠� ne segue � 1 − 2, ⇠� = 0
e dunque 1 = 2 in quanto DA è denso in H.
Ricordando la Def. 4.2.2, si ha
Teorema 4.2.4. Sia A ⊃ B allora B † ⊃ A† .
Dimostrazione. Le condizioni che definiscono DB† sono senz’altro soddisfatte in DA† . �
È interessante considerare il grafico (secondo la Def. 4.2.3) dell’operatore aggiunto. A questo
scopo, definiamo l’operatore J in H × H che agisce come segue
J (⇠, ⌘) = (i⌘, −i⇠) .
112
J è un operatore unitario e J 2 = . Applichiamo J a tutti i punti del grafico GA di A e

consideriamo il complemento ortogonale dell’immagine di GA sotto l’azione di J ; si ha
Teorema 4.2.5. Il grafico di (A† , DA† ) coincide con (J GA )⊥ .
Dimostrazione. (J GA )⊥ consiste di tutte le coppie (⌘, ) tali che
�J (⇠, A ⇠), (⌘, )� = 0
ma ciò equivale a
�(iA⇠, −i⇠), (⌘, )� = �iA⇠, ⌘� + �−i⇠, �=0
che coincide con la definizione di aggiunto Hermitiano. �
Ne discende come corollario immediato
Teorema 4.2.6. (A† , DA† ) è un operatore chiuso.
Teorema 4.2.7. L’aggiunto Hermitiano di un operatore chiuso è densamente definito.
Dimostrazione. Assumiamo che DA† non sia denso. Allora se ⌘ ∈ D⊥A† segue
�(⌘, 0), (⇠, A† ⇠)� = 0 , ∀ ⇠ ∈ DA †
dunque (⌘, 0) è ortogonale a GA† ed appartiene di conseguenza alla chiusura di J GA . Da
(0, ⌘) ∈ GA segue l’esistenza di un vettore ⇠ tale che (0, ⌘) = (⇠, A ⇠) che implica ⌘ = 0. �
Definizione 4.2.10. Un operatore A è detto simmetrico se
�⇠, A ⌘� = �A ⇠, ⌘�
per ogni coppia di vettori in DA .
Teorema 4.2.8. Per un operatore simmetrico (A, DA ) vale la relazione
A† ⊇ A
cioè l’aggiunto Hermitiano di A è una sua estensione, oppure coincide con A.
Teorema 4.2.9. L’operatore simmetrico B sia un’estensione dell’operatore simmetrico A;
allora
A ⊂ B ⊆ B † ⊆ A†
Definizione 4.2.11. Un operatore (A, DA ) è detto autoaggiunto se coincide con il suo
aggiunto Hermitiano, e cioè
A = A† , DA = DA †
Definizione 4.2.12. Un’operatore simmetrico è detto essenzialmente autoaggiunto
se (A† )† = A† ossia se il suo aggiunto Hermitiano è autoaggiunto, nel qual caso A† è l’unica
estensione autoaggiunta di A.
4.2.5. Operatori di↵erenziali in L2(a, b). Sia f ∈ L2(a, b) continua, di↵erenziabile con
derivata in L2. Allora
df(x)
(D f)(x) =
dx
definisce un operatore lineare. L’equazione precedente specifica l’azione dell’operatore D men-
tre le specifiche sulla funzione f ne definiscono il dominio. La stessa espressione di↵erenziale
corrisponde a tanti di↵erenti operatori lineari a seconda di come sia specificato il dominio (ad
es. potremmo richiedere che f sia C∞ , oppure analitica, oppure che si annulli al bordo, etc.). È
necessario familiarizzarsi con il con il fatto che la scelta del dominio è spesso decisiva per carat-
terizzare le proprietà dell’operatore. Ciò corrisponde d’altronde, nelle applicazioni alla Fisica, al
113
fatto che le equazioni di↵erenziali (eq.d’onda, eq. di Schroedinger, eq. del calore, etc.) ammet-
tono in generale una varietà di soluzioni ma sono le condizioni al contorno del problema che, ove
siano “ben poste”, permettono di individuare la soluzione corretta in modo univoco. L’insistenza
sull’importanza della definizione di dominio di un operatore di↵erenziale non è dunque un puro
scrupolo di rigore matematico (per quanto legittimo) ma è dettata, al contrario, dalle esigenze
delle applicazioni. Studieremo ora l’esempio più semplice di operatore di↵erenziale, rimandando
agli esercizi per altri esempi.
4.2.5.1. Operatori di↵erenziali del I ordine. Sia C∞ il dominio di L2(a, b) cosı̀ definito¶
C∞ = {f ∈ L2(a, b) � f derivabile infinite volte, f(n) (a) = f(n) (b) = 0 (∀ n ≥ 0)}
Sia (D0, C∞ ) l’operatore definito nel dominio C∞ da
df(x)
(D0 f)(x) = −i
.
dx
Teorema 4.2.10. (D0, C∞ ) è un operatore simmetrico ma non autoaggiunto.
Dimostrazione. Per ogni f ∈ C∞ si ha
ˆ b b
′
�f, D0 g� = −i f(x) g (x) dx = i f ′ (x) g(x) dx = �D0f, g�
ˆ
(4.3)
a a
(niente termini al contorno nell’integrazione per parti per la definizione di C∞ ). L’operatore
aggiunto D0† si costruisce come segue: si cercano i vettori f ∈ L2 tali che esista un h ∈ L2 che
soddisfi la relazione
�f, D0 g� = �h, g� (∀ g ∈ C∞ )
Esplicitamente
ˆ b ˆ b
′
(4.4) −i f(x) g (x) dx = h(x) g(x) dx
a a
Ora, ogni g ∈ C∞ può rappresentarsi nella forma g(x) = a z(y) dy che inserita dell’Eq.4.4
´x
fornisce
ˆ b ˆ b ˆ x
−i f(x) z(x) dx = h(x) z(y)dx dy
a a a
b b
=
ˆ ˆ
z(y) h(x) dx dy
a y
ossia
b b
z(x) �−if(x) − h(y)dy� dx = 0 .
ˆ ˆ
(4.5)
a x
Ora, z(x) non individua un sottospazio denso, infatti se il suo integrale è in C∞ , essa deve
soddisfare il vincolo ˆ b
z(x) dx = g(b) − g(a) = 0
a
e dunque z(x) è ortogonale alla funzione costante. Dall’Eq. (4.5) si conclude allora che
ˆ b
f(x) = −i h(x) dy + f(b)
x
ed infine
df(x)
h(x) = −i .
dx
¶
Qui stiamo considerando funzioni continue con tutte le derivate, a cui si applica il teorema fondamentale
del calcolo integrale, che non è applicabile in generale ai vettori di L2 .
114
Si conclude che il dominio di D† è costituito da tutte le funzioni assolutamente continue ossia

esprimibili come l’integrale indefinito di una qualunque h ∈ L2 avente derivata in L2. Il domi-
nio dell’operatore aggiunto non prevede perciò le condizioni al contorno di annullamento della
funzione con tutte le sue derivate che caratterizzano il dominio di D. Abbiamo verificato che
DD 0 ⊂ D D † . �
0
Definiamo ora una estensione di D0 definita da �
df(x)
(D� f)(x) = −i
dx
f ∈ C� = {f ∈ L2(a, b), f(x) a.c., df�dx ∈ L2, f(b) = f(a) = 0}
D� è una estensione simmetrica di D0 ma non ancora un operatore autoaggiunto. Ulteriori esten-
sioni sono definite alleggerendo ancora le condizioni al contorno, ma preservando la proprietà di
simmetria. Sia (per �↵� ≤ ⇡)
df(x)
(D↵ f)(x) = −i
dx
f ∈ C↵ = {f ∈ L2(a, b), f(x) a.c., df�dx ∈ L2, f(b) = f(a) ei↵}
Dato che C↵ ⊃ C∞ si ha D↵ †
⊂ D0† ed è perciò superfluo ripetere tutto l’argomento di Pag. 114.
Sarà sufficiente verificare che le condizioni al contorno su D↵ †
coincidono con quelle su D↵ per
concludere che D↵ è autoaggiunto per ogni valore reale prefissato per ↵. Si ha infatti
ˆ b
�g, D↵f� = −ig(x)f(x)�a + i g ′ (x) f(x) dx = �−ig ′ , f� + i(g(b)ei↵ − g(a))f(a)
b
Ciò implica g(b) = g(a) e e dunque le stesse condizioni al contorno su g che su f.

i↵
In conclusione: (D0, C∞ ) è un operatore simmetrico che ammette un numero infinito di

estensioni autoaggiunte D↵.
Una tecnica sistematica che permette di decidere se un operatore simmetrico ammetta
estensioni autoaggiunte e che fornisce anche un procedimento per costruirle esplicitamente sarà
esposta succintamente più avanti (“spazi di difetto”, vedi Sez.4.3.6 ).
Un operatore di↵erenziale è in generale definito da una espressione del tipo
n
d j
P(x, d�dx) = � aj(x) � �
j=0 dx
e dalla scelta di un dominio DP ⊂ L2(a, b) che sarà in genere costituito da funzioni derivabili
n − 1 volte con derivata n − 1-esima a.c ∈ L2 e con condizioni aggiuntive che vincolino tra loro
attraverso equazioni lineari i valori che la funzione e le sue derivate assumono al bordo. La
teoria generale di tali operatori è trattata ampiamente in [Nai68]. Ci limiteremo nel seguito a
considerare un esempio molto importante.
4.2.5.2. L’operatore (d�dx)2 in L2(a, b). Sia H0 definito dall’espressione di↵erenziale
d2f(x)
(H0 f)(x) = −
dx2
con dominio
DH0 = {f a.c., f ′ a.c., f ′′ ∈ L2, f(a) = f(b) = 0, f ′ (a) = f ′ (b) = 0}
Teorema 4.2.11. (H0, DH0 ) è simmetrico, non autoaggiunto e ammette infinite estensioni
autoaggiunte.
�
Conveniamo che “a.c.” significa d’ora in poi “assolutamente continua”. Le due condizioni f ∈ L2 e f a.c.
sono indipendenti.
115
Dimostrazione. La simmetria segue da una doppia applicazione dell’integrazione per parti.

Per costruire l’aggiunto Hermitiano di H0 procediamo cosı̀: sia z(x) ∈ L2 con
ˆ b
z(x) (A + B x) dx = 0 (∀ A, B ∈ C) .
a
Allora f(x) = a (x − y) z(y) dy è la più generale espressione di una funzione in DH0 . Analoga-
´x
mente a quanto fatto in precedenza nel § 4.2.5.1 si trova che l’equazione
�g, H0 f� = �h, f�
implica
b b
z(x) �g(x) − (y − x) h(y) dt� dx = 0
ˆ ˆ
a x
e quindi DH† è costituito dalle funzioni del tipo
o
b
g(x) = (y − x)h(y) dy + A x + B
ˆ
e cioè DH† si ottiene da DH0 eliminando le condizioni al contorno. Per costruire estensioni
autoaggiunte di H0 dovremo rilasciare alcune delle quattro condizioni lineari al bordo. Poniamo
0
per esempio (“c.c.”= condizioni al contorno)

(H f)(x) = −f ′′ (x)
DH = {f a.c., f ′ a.c., f ′′ ∈ L2 ∪ c.c.}
dove
�
�
� ↵1f(a) + ↵2f(b) + ↵3f ′ (a) + ↵4f ′ (b) = 0
c.c. = �
�
� 1f(a) + 2f(b) + 3f (a) + 4f (b) = 0
′ ′
�
Dato che DH ⊃ DH0 si avrà DH† ⊂ DH0 e quindi potremo limitarci ad imporre che le condizioni
al contorno per H† siano identiche a quelle di H:
�g, ′ H f� = �−g ′′ , f� + [g(x) f ′ (x) − g ′ (x) f(x)]�b

a
e sappiamo già che H† g = H†0g = −g ′′ . Si tratta di determinare la matrice
� �
↵1 ↵2 ↵3 ↵4
1 2 3 4
in modo che le due condizioni

� f(a) �
↵1 ↵2 ↵3 ↵4 � f(b) �
� �� ′ �=0, g(b) f ′ (b) − g ′ (b) f(b) = g(a) f ′ (a) − g ′ (a) f(a)
1 2 3 4 �f (a)�
(4.6)
�f (b)�
′
implichino la stessa condizione sulla g(x), cioè
� g(a) �
↵1 ↵2 ↵3 ↵4 � g(b) �
� �� ′ �=0
1 2 3 4 �g (a)�
�g ′ (b)�
116
La matrice � i� deve avere rango due in modo che le condizioni al contorno siano due equazioni
↵
i
↵′
linearmente indipendenti. Inoltre due matrici � i� e � i′ � che siano legate da una relazione del
↵
i i
tipo
↵i′
=� �� ′�
u v ↵i
wz ii
definiscono le stesse c.c. a patto che il determinante u z − v w non si annulli. Possiamo sfruttare
questo fatto per ridurre una parte della matrice a un formato standard. Ad es. se il minore
� �
↵1 ↵2
1 2
ha determinante diverso da zero, si possono ridurre le c.c. alla forma

(4.7) f(a) + ↵3 f ′ (a) + ↵4 f ′ (b) = 0
′ ′
f(b) + 3f (a) + 4f (b) = 0
che implicano, combinate con l’Eq. (4.6)
g(a) + ↵3 g ′ (a) − 3g
′
(b) = 0
g(b) + ↵4 g ′ (a) + 4g
′
(b) = 0
Un’estensione autoaggiunta di H0 è perciò caratterizzata da condizioni al contorno date dal-
l’Eq. (4.7) con ↵3 e 4 reali e ↵4 = − 3 (cioè quattro parametri reali). Condizioni simili si
possono considerare nel caso che altri minori 2 × 2 della matrice generale nell’Eq. (4.6) risulti
non singolare∗∗ .
�
Come casi particolari di c.c. autoaggiunte citiamo i seguenti:
(a) f(a) = f(b) = 0 - (condizioni di annullamento o di Dirichlet)
(b) f ′ (a) = f ′ (b) = 0 - (condizioni di Neumann)
(c) f(b) = exp(i⌧) f(a) , f ′ (b) = exp(i⌧) f ′ (a) - (condizioni periodiche con sfasamento)
(d) f(a) = f ′ (b) = 0 - (canna d’organo)
(e) f ′ a) = k f(a) , f ′ (b) = hf(b).
Abbiamo qui considerato operatori di↵erenziali definiti su di un intervallo finito (a, b). Il
caso in cui uno o entrambi gli estremi sono infiniti ‘e ovviamente interessante per le applicazioni,
cosı̀ come è interessante lo studio di operatori di↵erenziali su varietà di↵erenziali, quali la sfera
o il toro. Alcuni esempi saranno incontrati più oltre, ma una trattazione sistematica esula
completamente dallo scopo di queste lezioni.
4.3. Teoria Spettrale

La teoria spettrale degli operatori lineari nello spazio di Hilbert è fondata, come per gli spazi
finito–dimensionali, sulla definizione di risolvente di un operatore. Sia (A, DA ) un operatore
densamente definito nello spazio di Hilbert H e sia z un numero complesso tale che
�) z − A ∶ DA �→ Rz −A ⊆H
1∶1
ossia risulti una trasformazione biunivoca di DA in Rz −A (cioè (z − A) �⇠� = 0 solo se �⇠� = 0).
È definita allora la trasformazione inversa
(z − A)−1 ∶ Rz −A � DA
∗∗
Il problema può formularsi in termini di “sottospazi lagrangiani” - si veda oltre nella sezione 4.3.6.
117
L’operatore R(z, A) = (z − A)−1 è detto il risolvente di A, a patto che siano soddisfatte le

due ulteriori condizioni
��) Rz −A è denso in H;
��) (z − A)−1 è limitato.
L’insieme dei numeri complessi per i quali sono soddisfatte le tre condizioni (�, ��, ��) si
chiama l’insieme risolvente e verrà indicato con RES(A) ⊂ C. Il set complementare � RES(A) =
C � RES(A) è chiamato lo spettro di A e verrà indicato con (A). Risulta utile individuare nello
spettro varie componenti:
P (A): lo spettro puntuale (o spettro discreto)
C (A): lo spettro continuo
⇢ (A): lo spettro residuo.
Lo spettro discreto è l’insieme dei valori complessi z per i quali cade la condizione (�) ossia
per i quali esiste almeno un vettore non nullo nel dominio di A con
A �z� = z �z�
z si chiama in questo caso un autovalore di A e �z� un autovettore appartenente all’autovalore z.
Lo spettro continuo di A è l’insieme degli z tali che z − A soddisfa (�, ��) ma non (��); in
modo più esplicito, z ∈ P se esiste una successione di vettori ⇠n, n = 1, 2, . . ., con �⇠n� = 1 per
cui esiste il limite
lim �(z − A) ⇠n� = 0
n→∞
In questa situazione (z − A) esiste ma è illimitato.

−1
Lo spettro residuo ⇢(A) è l’insieme dei numeri complessi z per i quali è violata la condizione
(��), cioè esiste almeno un vettore ortogonale al codominio Rz −A . Questo significa che
�⌘, (z − A)⇠� = 0 = �(z − A† )⌘, ⇠�
e dunque z è nello spettro puntuale di A† .
n �∞
Notiamo che spettro continuo e spettro residuo sono caratteristici dello spazio di
Hilbert (infinite dimensioni). Inoltre non è più semplicemente l’equazione agli autovalori A⇠ = ⇠
a determinare lo spettro di un operatore, ma è necessaria un’analisi più raffinata. Infine, a
di↵erenza del caso finito–dimensionale, non si ha alcuna garanzia a priori che lo spettro non
sia vuoto. Vedremo infatti esempi di operatori aventi tutto il piano complesso come insieme
risolvente, e che ammettono un’estensione avente spettro puntuale che invade tutto il piano
complesso! È solo limitandosi a classi particolari di operatori (autoaggiunti, unitari, normali,
compatti, etc.) che si potrà mettere un po’ d’ordine nella teoria spettrale.
4.3.1. Prime proprietà ed esempi.

Teorema 4.3.1. Sia A un operatore limitato con norma M. Allora lo spettro di A è
contenuto nel cerchio �z� ≤ M.
Dimostrazione. Sia �z� > M. Allora (z − A)⇠ = 0 implica ⇠ = 0. Inoltre Rz −A è denso
in H, in quanto anche A† è limitato con la stessa norma M. Infine non può esistere alcuna
successione che definisca z come punto di C (A) in quanto
�(z − A) ⇠n� ≥ �z� �⇠n� − �A⇠n� ≥ (�z� − M)
�
118
Esempio. Sia T l’operatore in `2 definito da

T (z1, z2, . . . , zn, . . .) = (z2, z3, . . . , zn, . . .)
T è chiamato l’operatore di shift. Si ha ovviamente �T � = 1 e quindi RES(T ) ⊇ {�z� > 1}.
L’equazione agli autovalori
T (z1, z2, . . . , zn, . . .) = (z2, z3, . . . , zn, . . .) = (z1, z2, . . . , zn, . . .)
ha per soluzione
� �= √ (1, , 2, 3, . . . , n−1, . . .)
1
1−� �2
che è in `2 per ogni valore complesso con � � < 1. Scegliendo una successione di vettori norma-
lizzati � n� con n → ei si trova che i punti sulla circonferenza di raggio uno appartengono
allo spettro continuo C (T ). In conclusione P (T ) = {�z� < 1} , C (T ) = {�z� = 1}, ⇢(T ) = �,
n→∞
RES(T ) = {�z� > 1}. ◁

Esempio. Sia q l’operatore definito in L2(a, b) dalla espressione
(q f)(x) = x f(x)
Se entrambi gli estremi dell’intervallo sono finiti, allora q è limitato:
ˆ b
x2 �f(x)�2 dx ≤ max(a2, b2) �(� f)2
a
L’operatore risolvente è dato semplicemente da
(R(z, q) f)(x) =
f(x)
z−x
Se z non cade nell’intervallo (a, b) R(z, q) è ovviamente limitato come si verifica con la disu-
guaglianza
ˆ b 2
� � dx ≤ max ��z − x�−2� �f�2
f(x)
a z−x a≤x≤b
Se z appartiene all’intervallo, è necessario restringere l’operatore inverso al dominio di funzioni
tali che f(x)�(z − x) sia in L2. Inoltre è immediato costruire una successione di vettori fn con
norma uno tali che �q fn� → 0 ad es.
�√
�
� n �z − x� < 2n 1
fn(x) = �
�
�
�
0 altrove
Si trova infatti ˆ b
�(q − z) fn� = n (x − z)2 ✓ (2n�x − z� ≤ 1) dx ≤
2 1
a 4n
Abbiamo perciò mostrato che RES(q) = {z ∈ C � z ∉ [a, b]}, C (q) = [a, b], P (q) = ⇢(q) = �.
Si noterà che il risolvente è una funzione analitica di z con un taglio in corrispondenza dello
spettro continuo; infatti per ogni elemento di matrice del risolvente si ha
ˆ b
�f, R(z, q) g� =
f(x) g(x)
dx
a z−x
Se f e g sono funzioni continue, la discontinuità attraverso il taglio è valutabile facilmente
lim {�f, R(x0 + i", q) g� − �f, R(x0 − i", q) g�} = 2⇡i f(x0) g(x0).
"→0
◁
119
Esempio. Sia (D� , C� ) l’operatore definito al § 4.2.5.1. Il risolvente è determinato dalla

soluzione dell’equazione
((z − D� ) f)(x) = g(x), f ∈ C�
ossia dall’equazione di↵erenziale del primo ordine
i f ′ (x) + z f(x) = g(x)
che ha la soluzione generale
x
f(x) = A e +
ˆ
izx
eiz(x−y) g(y) dy
a
a cui bisogna imporre la condizione f ∈ C� ossia f(a) = f(b) = 0; ciò implica A = 0 e inoltre
ˆ b
e−izy g(y) dy = 0
a
Perciò il codominio di z − D� non è denso ma è costituito dai vettori ortogonali a fz(x) = eizx ∈
L2. Si conclude che ⇢(D� ) = C e RES(D� ) = P (D� ) = C (D� ) = �. Sia ora D− l’estensione
dell’operatore che si ottiene eliminando la condizione f(b) = 0. Allora Rz −D− è denso e il
risolvente esiste ed è limitato per ogni z: allora RES(D− ) = C e lo spettro è vuoto (naturalmente
lo stesso vale per l’operatore D+ che si ottiene scambiando a con b). Infine se scegliamo condizioni
periodiche f(a) = f(b) troviamo per il risolvente
ˆ b ˆ x
eizx
(R(z, D) g)(x) = iz(a−b) e−izy g(y) dy + eiz(x−y) g(y) dy
e −1 a a
a patto che eiz(a−b) ≠ 1 cioè z ∉ {2n⇡�(b − a) � n ∈ Z}, che costituisce lo spettro puntuale. ◁

Mathematica può essere utilizzata per esplorare varie condizioni al contorno. Una semplice
istruzione permette di ricavare il risolvente per gli operatori di↵erenziali più semplici. Si consideri
il codice seguente
Resolvent.nb
DSolve[{i f’[x] + z f[x] == g[x], f[0]==f[2Pi] }, f[x],x]
DSolve[{f’’[x]+z f[x] == DiracDelta[x],f[-Pi]==f[Pi],
f’[-Pi]==f’[Pi]}, f[x], x]//Simplify
Dalla prima istruzione si ottiene il risolvente per l’operatore D e questo presenta poli nei punti z ∈
Z; la seconda operazione produce il risolvente per l’operatore −d2�dx2 con condizioni periodiche
al contorno, e questo presenta poli semplici per z = n2, n ∈ Z, che costituiscono gli autovalori
dello spettro puntuale. ◁
4.3.2. Proprietà analitiche del risolvente. Gli elementi di matrice del risolvente, nel
caso di spazi finito–dimensionali, sono funzioni razionali, e dunque funzioni analitiche dapper-
tutto eccetto che per un numero finito di poli, che costituiscono lo spettro dell’operatore. Nel
caso dello spazio di Hilbert le proprietà analitiche del risolvente non sono cosı̀ semplici, tuttavia
vale ancora il seguente teorema
Teorema 4.3.2. Il risolvente R(z, A) = (z −A)−1 è analitico in z nell’intorno di ogni punto
dell’insieme risolvente.
Dimostrazione. La serie
∞
� (w − z) R(w, A)
n n+1
0
converge ad un operatore limitato se �z − w� �R(w, A)� < 1. Dunque se w ∈ RES(A) e �w − z� <
1� �R(w, A)� la serie definisce l’operatore R(z, A), il che mostra che RES(A) è un insieme aperto e
120
che il risolvente è sviluppabile in serie di potenze nell’intorno di ogni punto dell’insieme risolvente.
Una dimostrazione più dettagliata fa uso della identità (vedi § 3.6)
R(z, A) = R(w, A) + (w − z) R(w, A) R(z, A)
che si può iterare†† per ottenere
n
R(z, A) = � (z − w)j R(w.A)−(j+1) + (w − z)n+1 R(w, A)−(n+1) R(z, A) .
0
Nell’ipotesi che �z − w� �R(w, A)� < 1, R(z, A) esiste limitato e quindi
n
�R(z, A) − � (z − w)j R(w, A)−(j+1) � ≤ �(w − z)�n+1 �R(w, A)−1� �R(z, A)� �→ 0 .
n+1
n→∞
0
�
n �∞
Se A è illimitato RES(A) può anche essere vuoto; se invece A è limitato il teorema
precedente è senz’altro operante, però l’insieme RES(A) non è necessariamente connesso, e quindi
non è detto che il risolvente si possa ricostruire dappertutto per continuazione analitica.
Teorema 4.3.3. Lo spettro di un operatore limitato consiste di almeno un punto.

Dimostrazione. Assumere il contrario porta ad una contraddizione. Infatti il risolvente è
analitico, si annulla per z → ∞ e nel caso che lo spettro sia vuoto esso risulterebbe regolare in
tutto il piano complesso, dunque una costante secondo il teorema di Liouville. Ma ovviamente
(w − A)−1 = (z − A)−1 è incompatibile con z ≠ w. �

Da notare che un operatore illimitato può avere un risolvente analitico in tutto il piano
complesso, come mostra l’esempio dell’operatore D− a Pag.120 (vedi anche il Probl.11). Quello
che viene a cadere è il fatto che il risolvente tenda a zero all’infinito; in questi casi è come se lo
spettro fosse costituito dal solo punto all’infinito. Fortunatamente questi casi un pó patologici
trovano poco spazio nelle applicazioni fisiche. ◁
4.3.3. Gli operatori canonici della Meccanica Quantistica. . In meccanica quanti-

stica si definiscono operatori p e q nello spazio di Hilbert detti “operatori canonici”, che obbedi-
scono alle regole di commutazione di Heisenberg (si scelgono unità di misura in cui la costante
di Planck valga h � = 1):
qp − pq = i
Basandoci su quanto sviluppato fino a questo punto, possiamo dimostrare il seguente
⌥ ⌅
⌃ ⇧
Teorema 4.3.4 (Wintner). Gli operatori canonici non possono essere entrambi limitati.
Dimostrazione. Consideriamo i due operatori qp e pq entrambi limitati; se lo zero ap-
partiene a (q) ridefiniamo q � q + z che pure soddisfa le regole di commutazione e risulta
invertibile a patto di scegliere z sufficientemente grande. Dunque senza perdita di generalità
possiamo assumere che q−1 esista limitato. Dalla relazione
z − q p = q (z − p q) q−1
segue
(z − q p)−1 = q (z − p q)−1 q−1
Un’equazione del tipo x = x0 + K, x si “itera” sostituendo alla x del membro di destra dell’equazione con
††
l’intera espressione x0 + K x ottenendo cosı́ x = x0 + K(x0 + K(x0 + . . .))
121
ovvero pq e qp hanno lo stesso spettro non vuoto. Dalla regola di commutazione si ha allora che
(qp) = (pq) = (qp − i )
ossia se ne può concludere che se z ∈ (qp) allora anche z − i è nello spettro e in generale lo sarà
z − ni per n intero qualunque, il che contraddice il fatto che qp è limitato. �

Dal momento che q e p devono essere definiti in un opportuno dominio Dq,p ⊂ H, le regole di
commutazione sono da intendere più correttamente cosı̀
qp − pq ⊂ i
Per maggiori dettagli sul problema della rappresentazione delle regole di commutazione di
Heisenberg si veda [Put67] ◁
Esempio. Gli operatori canonici ammettono una rappresentazione in termini di operatori
di↵erenziali
(q f)(x) = x f(x), (p f)(x) = −i df(x)�dx
oppure in termini di matrici infinito–dimensionali
√ √
�√0 1 √0 . . . . . � � √0 1 √0 . . . . . . �
� 1 0 � �− �
� √ 2 √0 . . . . . . . . . � � 1 √
0 2 √0 . . . . . . . . . �
�
1 � 0 � �
1 � 0 − 2 0 �
p� √ � , q� √ �
� ⋮ � � �
2 0 3 0 . . . . . . 3 0 . . . . . .
2� � � �√ � � ⋮ � � �√ �
� √ � i 2 � √ �
� ⋮ n 0 n+1 � � ⋮ − n 0 n+1 �
� � � ��
Le due rappresentazioni sono equivalenti (E. Schroedinger, 1926). ◁
4.3.4. La teoria spettrale per operatori autoaggiunti. Proprietà fondamentali dello

spettro per gli operatori autoaggiunti sono i) l’intero spettro è contenuto sulla retta reale e ii)
lo spettro residuo è vuoto. Infatti:
P (A): da (A �z� = z �z� segue, come nel caso finito–dimensionale, �z� A �z� = z �z� z� = �z� A† �z� e
dunque z ∈ R.
C (A): (A−z ) �z, n� → 0 ⇒ Im{�z, n� (A − z ) �z, n�} = Im{z �z, n� z, n�} → 0, ma �z, n� z, n� =
1 e dunque Im{z} = 0.
⇢(A): è costituito da z ∉ P (A) tali che z ∈ P (A† ) il che è impossibile se A = A† .
Per Im{z} ≠ 0 il risolvente è un operatore limitato con norma minore o uguale a �Im{z}�−1
�⇠�
�(A − z )⇠� ≤
�Im{z}�
(la dimostrazione è lasciata come esercizio). È pure immediato verificare che autovettori appar-
tenenti ad autovalori distinti (nello spettro puntuale) sono ortogonali, esattamente come nel caso
finito–dimensionale. La separabilità dello spazio di Hilbert implica allora che P è un insieme

numerabile.
Il termine spettro discreto non deve trarre in inganno: seppure P sia numerabile, è facile
costruire casi in cui P riempie densamente un intervallo reale; ad es. sia M una matrice infinita
diagonale che contenga sulla diagonale tutti i razionali contenuti in un intervallo [a, b]. In questo
caso lo spettro puntuale è denso in [a, b] e lo spettro continuo è dato dai numeri irrazionali in
[a, b]. Nelle applicazioni alla Meccanica Quantistica tuttavia solo alcuni operatori autoaggiunti
si qualificano a rappresentare modelli realistici di Hamiltoniano e molti esempi “patologici” sono
solo curiosità matematiche. ◁
122
4.3.4.1. Considerazioni euristiche. A questo punto, per proseguire nello studio delle pro-
prietà generali degli operatori autoaggiunti è necessario introdurre il concetto di famiglia spet-
trale. Procediamo per via euristica basandoci sulla formula di Riesz–Dunford. Consideriamo un
caso semplice in cui P (A) sia formato da un numero finito di punti z1, z2, ..., zn e C (A) sia un
intervallo finito [a, b] sulla retta reale, con P (↵) ∩ C (A) = �. Abbiamo visto che il risolvente
Rz(A) = (z − A)−1 ammette uno sviluppo in serie attorno ad ogni punto dell’insieme risolvente
e quindi costituisce una funzione analitica con singolarità confinate allo spettro dell’operatore.
Si avrà perciò
Rw(A)
Rz(A) =
1
‰
dw
2⇡i w−z
essendo un cammino chiuso frontiera di un intorno di z ∉ (A). Deformiamo il contorno
in modo che una porzione ′ sia “gonfiata” e mandata all’infinito del piano complesso ( ′ ) e
un’altra porzione ′′ contenga al suo interno tutto lo spettro (vedi figura). Come nel caso finito
Figura 4-2. Il cammino di integrazione viene deformato in modo da adattarsi

allo spettro sull’asse reale.
dimensionale l’integrale si interpreta come
f(A) = Rw(A) (z − w)−1 dw

1
‰
(4.8) ^
2⇡i ′′
e il cammino ′′ si può deformare in modo da essere costituito da due rette Im{w}=" e

Im{w}=-" ; si ottiene cosı̀ la formula
ˆ ∞
f(A) = �((x − i") − A)−1 f(x − i") − ((x + i") − A)−1 f(x + i")� dx
^ 1
2⇡i −∞
che per " → 0 equivale a
ˆ ∞
= �((x − i") − A)−1 − ((x + i") − A)−1� f(x) dx
^ 1
f(A)
2⇡i −∞
123
che costituisce l’analogo della decomposizione spettrale 3.7 valida per spazi di dimensione finita.
Ponendo
ˆ x+
Ex = lim lim " → 0 �((x ′ − i") − A)−1 − ((x ′ + i") − A)−1� f(x) dx ′
1
→0 2⇡i −∞
la decomposizione spettrale si scrive in modo più compatto
ˆ ∞
f(A) =
^ f(x) d Ex
−∞
Si noti che per ogni x reale, Ex definisce un proiettore. Esaminiamo come si comporta Ex
nell’intorno di un punto dello spettro puntuale. Sia x1 < z1 < x2 e si assuma che nell’intervallo
(x1, x2) non cadano altri punti dello spettro oltre a z1. Si trova
ˆ x2
(Ex2 − Ex1 ) �zk� = �(x − i") − A)−1 − ((x + i") − A)−1� dx �zk�
1
2⇡i x1
�
�
−1 �0 k≠1
= dz(z − zk) �zk� = �
1
‰
��z � k = 1
.
2⇡i 1 �
� 1
e quindi, comunque vicini siano x2, x1, Ex2 − Ex1 = P1 dove P1 è il proiettore nel sottospazio
appartenente all’autovalore z1; analogamente per tutti gli altri zk si avrà che Ex presenta una
discontinuità pari a Pk allorché x passa da sinistra a destra di un punto nello spettro puntuale.
Inoltre lo stesso calcolo mostra che Ex′ = Ex′′ qualora nell’intervallo (x ′ , x ′′ ) non cadano autova-
lori di A. La decomposizione spettrale prende contributo anche dallo spettro continuo. Intorno
a z ∈ C Ex varia con continuità.
4.3.4.2. Famiglie spettrali. Le considerazioni euristiche del paragrafo precedente suggerisco-
no di introdurre la seguente definizione:
Definizione 4.3.1. Una famiglia di operatori autoaggiunti Ex dipendenti dal parametro
reale x si dice una famiglia spettrale se
i) per ogni x reale Ex è un proiettore ortogonale su di un sottospazio lineare dello spazio
di Hilbert;
ii) per ogni vettore ⇠ e per x < y si ha
�Ex⇠� ≤ �Ey⇠�
iii) limx→−∞ Ex = 0, limx→+∞ Ex = ;
iv) lim"→+0 �(Ex+" − Ex) ⇠� = 0
Segue da i) e ii) che Ex Ey = Ey Ex = Ex per x < y. La condizione iv) è una convenzione che
prescrive la continuità a destra della famiglia spettrale.
Si possono ora definire integrali sulla famiglia spettrale nel modo seguente: sia f(x) continua
in un intervallo (a, b). Suddividiamo l’intervallo in n parti x0 ≡ a, x1, x2, . . . , xn−1, xn ≡ b e
formiamo le somme parziali
n
Sn = � f(xk) (Exk − Exk−1 )
k=1
Se f(x) è limitata, Sn definisce un operatore lineare limitato. passiamo ora al limite per n → ∞
in modo che tutti gli intervalli xk − xk−1 tendano a zero. Il limite si definisce come l’integrale
della f(x) rispetto alla famiglia spettrale Ex e si indica con
ˆ b
f(x) dEx
a
124
Si intende che il limite è nel senso della norma dello spazio di Hilbert. È importante la relazione
ˆ b 2 ˆ b
� f(x) dEx ⇠� = �f(x)�2 d�⇠, Ex ⇠� .
a a
valida per ogni ⇠ nel dominio di A. Sotto opportune condizioni sulla f(x) si considera anche
il caso a = −∞ e b = ∞. Enunciamo ora, senza darne dimostrazione, i risultati più importanti
della teoria spettrale per gli operatori autoaggiunti nello spazio di Hilbert:
Teorema 4.3.5 (I teorema spettrale). Per ogni operatore autoaggiunto (A, DA ) esiste una
ed una sola famiglia spettrale Ex avente le seguenti caratteristiche
´∞
i) ⇠ ∈ DA se-e-solo-se esiste finito l’integrale −∞ x2d �⇠, Ex ⇠�
´∞ ´∞
ii) se ⇠ ∈ DA allora A ⇠ = −∞ x dEx ⇠ e perciò �A ⇠�2 = −∞ x2 d �⇠, Ex ⇠�
Viceversa, ogni operatore definito attraverso le condizioni i, ii) a partire da una famiglia spettrale
è autoaggiunto. Se A è limitato, ogni operatore limitato B che commuti con A commuta anche
con ogni Ex.

La presentazione che si è data in questa sezione è molto schematica e si sono esposti solo
argomenti di plausibilità per la decomposizione spettrale. Si consiglia perciò di approfondire
l’argomento consultando, ad es. [Nai68, Tay58]. ◁
La conoscenza della famiglia spettrale determina completamente lo spettro dell’operatore.
Infatti si ha:
Teorema 4.3.6 (II Teorema spettrale). Sia Ex la famiglia spettrale di un operatore autoag-
giunto A. allora l’asse reale è suddiviso come segue:
a) x0 è un punto di RES(A) se Ex è costante in un intorno di x0;
b) x0 è un autovalore (x0 ∈ P (A)) se Ex è discontinuo in x0, cioè lim Ex0 −h ≠ Ex0 ;
h→0+
c) x0 appartiene allo spettro continuo se Ex è continuo in x0 ma non costante in alcun
intorno di x0.
La dimostrazione è semplice, una volta acquisito il Teorema I. Infatti da
ˆ ∞
�(A − x0 ) ⇠� =
2
(x − x0)2 d�⇠, Ex ⇠�
−∞
segue che se Ex è costante nell’intervallo (x0 − ✏, x0 + ✏)
∞
�(A − x0 ) ⇠� = (x − x0) d�⇠, Ex ⇠� > ✏ d�⇠, Ex ⇠� = ✏2 �⇠�2
ˆ ˆ
2 2 2
�x−x0 �>✏ −∞
il che mostra che x0 ∈ RES(A). Supponiamo ora che esista il limite lim (Ex0 − Ex0 − ) = P ≠ O.
→0+
allora
AP = x dEx(Ex0 − Ex0 − )
ˆ
ˆ x0 ˆ x0 − x0
= x dEx − x dEx = x dEx → x0 P
ˆ
−∞ −∞ x0 − →0
e perciò A P ⇠ = x0 P ⇠ per qualche ⇠, ossia x0 ∈ P (A). Se infine Ex è continuo ma non–costante

in un intorno di x0 si avrà
ˆ ∞
�(A − x0 ) (Ex0 + − Ex0 − ) ⇠� =2
(x − x0)2 d �Ex(Ex0 + − Ex0 − ) ⇠�2
−∞
x0 +
= (x − x0)2 d �Ex − Ex0 − ) ⇠�2 ≤ �(Ex0 + − Ex0 − ) ⇠�2
ˆ
2
x0 −
125
e perciò x0 ∈ C (A).

Ci si potrebbe chiedere come si potrebbe caratterizzare il caso di un autovalore dello spettro
discreto immerso in un intervallo che rappresenti lo spettro continuo: in tal caso la famiglia
spettrale ha una discontinuità e in più non rimane costante in alcun intorno del punto. ◁
Esempio. Sia q l’operatore in L2(a, b)
(q f)(x) = x f(x)
Applicando la definizione di Ex di Pag.4.3.4.1 si trova:
dt ′
ˆ t+
(Et f)(x) = lim [(t ′ − i✏ − Q)−1 − (t ′ + i✏ − Q)−1] f(x)
→0 −∞ 2⇡i
✏→0
dt ′
ˆ t+
= lim [(t ′ − i✏ − Qx)−1 − (t ′ + i✏ − x)−1] f(x)
→0 −∞ 2⇡i
✏→0
ˆ t+
= lim dt ′ ′
✏�⇡
(t − x)2 + ✏2
f(x)
→0 −∞
�
✏→0
�
�0 t<x
=�
�
�f(x) t ≥ x
�
ossia
(Et f)(x) = ✓(x ≤ t) f(x)
d
Esempio. L’operatore p = −i in L2(−∞, +∞): mostreremo nel §4.3.4.3 che il risolvente
dx
di p è dato da
ˆ ±∞
−1
�(k ∓ i✏ − p) f� (x) = i ei(k∓i✏) (x−y) f(y) dy
x
e quindi, passando al limite su , ✏,
ˆ k+
(Ek f)(x) = �(k ′ − i✏ − p)−1 − (k ′ + i✏ − p)−1� dk ′ f(x)
1
2⇡ x
ˆ k+ ˆ +∞
′
eik (x−y) e−✏�x−y� f(y) dy
′
=
1
dk
2⇡ −∞ −∞

Si noterà che E∞ = equivale alla formula di inversione di Fourier. Il formalismo introduce
spontaneamente il fattore di “smorzamento adiabatico” exp{−✏�x − y�} che permette di trattare
qualunque f in L2, mentre la formula di Fourier senza regolatore si applica solo a L2 ∩ L1. ◁

L’uso della famiglia spettrale Ex è conveniente per descrivere lo spettro continuo, mentre
nei punti dello spettro puntuale è più semplice e naturale passare ai proiettori P dati dalla
discontinuità di Ex. La decomposizione spettrale è dunque scritta più convenientemente nella
forma
f(A) = � f(x) Px + f(x) d Ex
ˆ
^
x∈P (A)
x∈C (A)
Nei testi di Meccanica Quantistica si suole porre formalmente
dEx ∶= �x� dx �x� , con �x� x ′ � = (x − x ′ ) .
126
Questo formalismo (alla Dirac) è euristicamente efficace, ma bisogna tenere presente che una
trattazione rigorosa in questi termini richiederebbe l’estensione dello spazio di Hilbert ad uno
spazio di distribuzioni ([Nai68], §21). ◁
4.3.4.3. Operatori di↵erenziali in L2(−∞, ∞). Sia p = −id�dx l’operatore già considerato nel
capitolo precedente a pag.126. Il dominio sia definito da
df
Dp = {f ∈ L2(−∞, ∞), a.c. ∈ L2}
dx
L’operatore p è autoaggiunto. Vogliamo costruire l’operatore risolvente di p. Si tratta di risolvere
l’equazione di↵erenziale
((k − p) f) (x) = g(x)
per Im{k} ≠ 0. La soluzione generale è ovviamente
ˆ x
f(x) = −i eik(x−y) g(y) dy
a
con a reale arbitraria. Si tratta di fissare a in modo che f ∈ L2 per qualunque g ∈ L2. Dato che
f(x) è esprimibile come convoluzione
ˆ x−a
f(x) = i eikt g(x − t) dt
0
una disuguaglianza dovuta a Young (vedi commento a pag.128) permette di concludere che deve
porsi
�
�
�a = −∞ per Im{k} > 0
�
�
�a = +∞ per Im{k} < 0
�
infatti
�
�
�eikt✓(t) ∈ L1(−∞, ∞) per Im{k} > 0
� ikt
�
�e ✓(−t) ∈ L1(−∞, ∞) per Im{k} < 0
�
Si ha perciò
�
�
�−i −∞ eik(x−y) f(y) dy per Im{k} > 0
´x
−1
(Rk(p) f)(x) = ((k − p) f)(x) = � ´ ∞ ik(x−y)
�
� per Im{k} < 0
� x
i e f(y) dy
Si veda anche il capitolo successivo 4.3.7. Si trova perciò che il risolvente di p è una funzione
analitica per Im{k} ≠ 0 con una discontinuità Rk+i✏(p) − Rk−i✏(p) ≠ 0 su tutto l’asse reale che
d2
costituisce lo spettro continuo di p. Si può studiare in modo analogo l’operatore − 2 che risulta
dx
autoaggiunto nel dominio costituito dalle funzioni a.c. con derivata a.c. e derivata seconda in
L2. Il risolvente di p2 si può ottenere da quello appena calcolato essendo
(k2 − p2)−1 = �(k − p)−1 + (k + p)−1�

1
2k
Si trova facilmente
∞
2 −1
((k −p ) f)(x) =
1
ˆ
2
eik�x−y� f(y) dy
2ki −∞
Nella variabile complessa = k il risolvente presenta un taglio sull’asse reale positivo che
2
rappresenta lo spettro continuo di p2.

127
Facendo uso dell’espressione esplicita del risolvente possiamo calcolare qualunque funzione
di p2, ad es.
itp2 �2
(e f)(x) = ( − p2)−1 eit �2 f(x) d
1
ˆ
2⇡i
ˆ it �2 ˆ ∞ √
=− √ ei �x−y� f(y) dy
1 e
4⇡ −∞
dove è il cammino che abbraccia lo spettro di p2
Figura 4-3. Il cammino di integrazione nel calcolo di f(p2).
Si trova pertanto
∞ √
itp2 �2 d �2+i �x−y�
(e f)(x) = − √ eit
1
ˆ ˆ
dy f(y)
4⇡ −∞
e attraverso un cambiamento di variabile = k2 si ottiene

ˆ ∞ ˆ ∞
... = dk exp{it k2�2 + ik �x − y�}
1
dy f(y)
2⇡ −∞ −∞
L’integrale gaussiano si calcola immediatamente per dare il risultato finale
ˆ ∞
(x−y)2
itp2 �2
(e f)(x) = √
1
dy f(y) e 2 i t
2i⇡t −∞
Naturalmente lo stesso risultato si ottiene facilmente utilizzando direttamente la trasformata

integrale di Fourier.
Disuguaglianza di Young: sia
∞
(f � g)(x) = f(y) g(x − y) dy
ˆ
−∞
´∞
allora �f � g�2 ≤ �f�1 �g�2, essendo �f�q = ( −∞ �f(x)�q dx)1�q. Si veda [RS78] per una disugua-
glianza più generale e per la dimostrazione. ◁
4.3.5. Operatori compatti. Una classe di operatori che presenta interessanti proprietà
spettrali è quella degli operatori compatti (detti anche “completamente continui”). Premettiamo
la seguente definizione:
Definizione 4.3.2. un sottoinsieme M in uno spazio unitario completo (finito o infinito
dimensionale) è detto compatto se ogni successione infinita ⇠n contenuta in M ha almeno un
punto di accumulazione in M e cioè da ogni successione è possibile estrarre una sottosuccessione
convergente in M.
128
n �∞
Ricordiamo che ogni sottoinsieme chiuso e limitato di uno spazio a n dimensioni (reale
o complesso) è compatto (teorema di Bolzano–Weierstrass). Ciò non è più vero in uno spazio di
Hilbert. Ad es. la sfera unitaria
S∞ = {⇠ ∈ H � �⇠� = 1}
√
è un insieme chiuso, limitato ma non compatto; in e↵etti ogni successione di vettori ortonormali
⇠n (�⇠n� ⇠m� = nm) è tale che �⇠i − ⇠j� = 2 e quindi non ha alcun punto di accumulazione.
Proprietà importante degli insiemi compatti è quella relativa alla possibilità di ricoprirli con
un numero finito di aperti; più precisamente sia Un una qualunque successione di aperti tali
che l’unione �n Un contenga l’insieme compatto M. Allora esiste sempre un numero finito di
aperti Un1 , Un2 , ..., Unk la cui unione contiene M (“da ogni ricoprimento si può estrarre un
ricoprimento finito”).
Daremo qui di seguito una lista di definizioni e di teoremi senza dimostrazioni. Si vedano
[Nai68, Tay58, RS80] per maggiori dettagli.
Definizione 4.3.3. Un operatore lineare A nello spazio di Hilbert H è detto compatto se
esso trasforma ogni sottoinsieme chiuso e limitato in H in un sottoinsieme compatto.
Teorema 4.3.7. Ogni operatore compatto è limitato.
Teorema 4.3.8. Se A è compatto e B è continuo allora A B e BA sono compatti.
Teorema 4.3.9. Se An è una successione di operatori compatti ed esiste un operatore A
tale che
∀⇠ ∈ H ∶ �(A − An)⇠� < �⇠�
1
n
allora anche A è compatto.
Teorema 4.3.10. Sia A � �aij� la matrice rappresentativa di A in una base ortonormale.
Se
∞
� �aij� = Tr(A A) < ∞
2 †
i,j=1
allora A è compatto.
Teorema 4.3.11. Sia K l’operatore in L2(a, b) definito da
ˆ b
(K f)(x) = K(x, y) f(y) dy .
a
Se
b b
dy �K(x, y)�2 < ∞
ˆ ˆ
(4.9) dx
a a
allora K è un operatore compatto.

Le condizioni dei due teoremi precedenti sono solo sufficienti per la compattezza. Si parla
in questi casi di operatori di Hilbert–Schmidt che costituiscono una sottoclasse di operatori
compatti. ◁
Teorema 4.3.12 (Teorema spettrale per operatori compatti). Lo spettro di un operatore
compatto è costituito da un insieme finito o infinito di punti aventi come unico punto di accu-
mulazione lo zero. Ogni punto dello spettro ≠ 0 è un autovalore discreto (∈ P ) con molteplicità
finita; lo zero può appartenere a C oppure a ⇢.
Come si nota, ad eccezione di quanto può accadere nello zero, gli operatori compatti pre-
sentano proprietà spettrali molto simili agli operatori finito–dimensionali. Una proprietà di
frequente applicabilità è la seguente:
129
Teorema 4.3.13. Sia A un operatore simmetrico tale che il suo risolvente esista e sia un
operatore compatto per almeno un punto z ∈ RES(A). Allora lo spettro di A consiste di soli
autovalori isolati con molteplicità finita che si accumulano all’infinito. Inoltre il risolvente è
compatto per tutti i punti dell’insieme risolvente.
La teoria degli operatori compatti si è sviluppata in connessione con lo studio delle equazioni
integrali. Sia g ∈ L2(a, b) e si cerchi la soluzione dell’equazione
ˆ b
z f(x) − K(x, y) f(y) dy = g(x)
a
dove z ∉ (K), il “nucleo” K sia simmetrico (K(x, y) = K(y, x)) e soddisfi la Eq.4.9; per i teoremi
enunciati in precedenza si avrà
∞
K(x, y) = � n un(x) un(y)
n=1
con n → 0 per n → ∞.La soluzione è allora
∞ b
−1
f(x) = � (z − n) un(x) un(y) g(y) dy
ˆ
n=1 a
(si vedano [Tay58, RS78, CH62]).

4.3.6. L’estensione di operatori simmetrici. Accenniamo ora al problema di determi-
nare se un operatore simmetrico ammetta o no un’estensione autoaggiunta. Abbiamo visto che
se (A, DA ) è un operatore simmetrico e se (B, DB ) è un’estensione simmetrica di A vale la
relazione
A ⊂ B ⊆ B † ⊆ A†
e quindi in ogni caso un’estensione simmetrica di A è una restrizione di A† . Un operatore
simmetrico è detto massimale se esso non ammette alcuna estensione simmetrica. Un operatore
autoaggiunto è in particolare massimale.
Sia A un operatore simmetrico e z un numero complesso con Im{z} ≠ 0. Indichiamo con R+
e R− rispettivamente il codominio di z −A e di vantaggio di maneggiare operatori limitati. Ogni
estensione isometrico di V che soddisfi ai requisiti precedenti sarà associata ad una estensione
simmetrica di A.
Teorema 4.3.14. Se A è chiuso e simmetrico, allora DA , N+ e N− sono linearmente indi-
pendenti e la loro somma diretta coincide con DA† , cioè ogni vettore ⇠ ∈ DA† è decomponibile
in modo unico nella somma
�
�
�⇠0 ∈ DA
⇠ = ⇠0 + ⌘+ + ⌘− , �
�⌘± ∈ N± .
�
�

Questa decomposizione fornisce una rappresentazione completa di A† nella sua azione in DA† :
A† ⇠ = A ⇠0 + z ⌘+ + z ⌘−
◁
Teorema 4.3.15. Sia Im{z} > 0, m± = dim N± ; m+ e m− sono indipendenti da z e vengono
chiamati gli indici di difetto dell’operatore simmetrico A.
Teorema 4.3.16. Un operatore simmetrico ammette almeno un’estensione autoaggiunta se
e solo se i suoi indici di difetto sono uguali (se sono entrambi nulli, l’operatore è essenzial-
mente autoaggiunto; se gli indici sono uguali e positivi, l’operatore ammette infinite estensioni
autoaggiunte).
130

Nel caso di indici di difetto uguali, esiste un procedimento costruttivo per determinare l’e-
stensione autoaggiunta dell’operatore simmetrico. Si sceglie una isometria U da N+ a N− , e si
pone (fissiamo z = i)
DB = {⇠ + ⌘+ + U⌘+ �⇠ ∈ DA , ⌘+ ∈ N+ }
B(⇠ + ⌘+ + U⌘+ ) = A⇠ + i⌘+ − iU⌘+
Si veda [RS78]. Le estensioni autoaggiunte sono dunque in corrispondenza con gli elementi del
gruppo U(m+ ) con m2+ parametri reali. ◁
Esempio. Il caso più semplice è quello dell’operatore D0 di 114 che definiamo per semplicità
nell’intervallo simmetrico (− log(2), log(2)). Gli spazi di difetto sono caratterizzati da
d
−i f± (x) = ±if± (x) ⇒ f± (x) = C e∓x
dx
e le isometrie da N= a N+ sono parametrizzate da una fase :
U ∶ f− ⇒ ei f+
In conclusione il dominio della estensione autoaggiunta D è dato da
D = {f0 + Ce−x + Cei ex � f0 ∈ D0}
e l’azione di D è semplicemente
D(f0 + Ce−x + Cei ex) = f0 + iCe−x − iCei ex
Si noti che le funzioni in D soddisfano la condizione al contorno
f(log(2)) = C�2 + 2ei , f(− log(2)) = 2C + ei �2
e quindi il rapporto
1
+ 2 ei
f(log(2))�f(− log(2)) = 2
2 + 12 ei
risulta di modulo uno, il che corrisponde a quanto già visto in precedenza. ◁
4.3.7. Teorema di Stone. abbiamo visto nella Parte II lo stretto legame che intercorre
tra gli operatori autoaggiunti e gli operatori unitari. Questo legame è importante nelle appli-
cazioni alla Meccanica Quantistica per la costruzione della dinamica a partire dall’operatore
Hamiltoniano. In uno spazio di Hilbert vale il seguente risultato generale:
Teorema di Stone, 1932. Sia U(t) una famiglia di operatori unitari, parametrizzata dalla
variabile reale t, che soddisfi alle seguenti condizioni
i) U(0) =
ii) U(t1) U(t2) = U(t1 + t2)
iii) U(t) è continuo in t nel senso che �⇠, U(t) ⌘� è una funzione continua per ogni scelta
di vettori ⇠, ⌘ ∈ H.
Allora esiste un unico operatore autoaggiunto (A, DA ) tale che
�) U(t) = exp{itA}
��) DA = {⇠ ∈ H�∃ limt→0 t−1(U(t) − )⇠}
L’operatore A è detto il generatore infinitesimale del gruppo a un parametro U(t).
Sia ad esempio T (a) il gruppo di trasformazioni unitarie in L2(R) definito a Pag. 112
(T (a) f)(x) = f(x − a)
131
L’operatore T (a) è unitario per ogni valore di a , soddisfa alle condizioni del teorema di Stone:
in particolare la continuità
�f, T (a) g� = dx f(x) g(x − a) �→ 0

ˆ
R a→0
discende dalle proprietà della convoluzione. Il corrispondente generatore infinitesimale è proprio

d
l’operatore di↵erenziale p = −i che rappresenta il momento lineare in Meccanica Quantistica.

dx
Si distinguono vari tipi di continuità nel contesto dei gruppi di operatori. Quella che abbiamo
inserito nell’enunciato del teorema di Stone è detta continuità debole. Per continuità forte si
intende che
�(U(a) − )⇠� �→ 0
a→0
per ogni ⇠ ∈ H. Per continuità in norma infine si intende che
�(U(a) − )� �→ 0
a→0
Quest’ultima non è necessaria per il teorema di Stone, ad es. non è realizzata nel caso di T (.);
infatti per ogni a si può trovare uno stato ⌘a tale che T (a)⌘a sia ortogonale a ⌘a. D’altro
canto dalla relazione
�(U(a) − )⇠�2 = �U⇠�2 − �⇠, U(a) ⇠� − �U(a) ⇠, ⇠� + �⇠�2 �→ 0
a→0
si vede che nel caso di gruppi di operatori unitari la continuità debole implica quella forte. Si
veda [RS80] per una trattazione più ampia dell’argomento. ◁
Si rivelano spesso utili le due formule seguenti che legano il risolvente del generatore infini-
tesimale alla trasformata di Laplace di U(t):
ˆ ∞
(z − A)−1 = −i eizte−itA dt (Im{z} > 0)
0
0
(z − A)−1 = i eizte−itA dt (Im{z} < 0)
ˆ
−∞
valida anche nella forma reale
∞
−1
(A − z ) = e−t(A−z )
ˆ
(4.10) dt
0
4.3.8. L’integrale di Fourier. Consideriamo lo spazio di Hilbert L2(R); si definisce “tra-

sformata (integrale) di Fourier” l’operatore lineare
ˆ ∞
(F f)(x) = √
1
(4.11) eixy f(y) dy
2⇡ −∞
definito sulle funzioni {f ∈ L1(R) ∩ L2(R)}. Le proprietà principali di F sono le seguenti:
i) (F f)(x) è continua e tende a zero per �x� → ∞ (Lemma di Riemann–Lebesgue)
ii) Se f ∈ L1(R) ∩ L2(R)} è anche continua, allora vale la formula inversa
ˆ ∞
f(x) = √ e−ixy (F f)(y) dy
1
2⇡ −∞
iii) F è un operatore isometrico (�F f� = �f�);
iv) F è un operatore unitario (infatti il codominio di F contiene tutte le funzioni continue
di L1 ∩ L2 ed è quindi denso in L2);
132
v) F si estende per continuità a un operatore unitario in L2(R); la forma esplicita della

trasformata, valida per ogni vettore in L2 è data da
ˆ ∞ ixy
1 d −1
(F f)(x) = √
e
f(y) dy
2⇡ dx −∞ i y
(la derivazione sotto segno di integrale essendo permessa solo se f ∈ DF ) ‡‡

In Meccanica Quantistica la trasformata di Fourier e↵ettua una trasformazione di similitudine
dall’operatore p all’operatore q:
ˆ ∞
d dy
(pf)(x) = −i f(x) = √ eixy y (F −1 f)(y) = (F q F † f)(x)
dx −∞ 2⇡
In conseguenza di questo fatto si ha anche F (p2 +q2) = (p2 +q2) F e dato che l’operatore p2 +q2 è
autoaggiunto con tutti autovalori semplici (si veda un qualunque testo di Meccanica Quantistica)
F è una funzione di p2 + q2. Si verifica poi facilmente che vale l’identità
F = exp{−i ⇡
4 (p + q − )}
2 2
Questo risultato è collegato a proprietà dei polinomi di Hermite sotto trasformata di Fourier
(vedi il § esercizi). ◁
‡‡ ´ +M
Alternativamente si può definire l’integrale come “limite–in–media” l.i.m. exp{i x y}f(y)dy
M→∞ −M
133
Appendice III
4.4. La formula di Lie–Trotter e la Meccanica Quantistica

La formula di Lie 3.4.3.1 si estende sotto opportune condizioni al caso di operatori nello
spazio di Hilbert (Trotter) [Nel67]. Si è riconosciuto in tempi abbastanza recenti che questa
formula è alla base dell’approccio di Feynman in termini di “path integrals”. Al di là degli aspetti
formali, di per sè molto interessanti, la formula di Lie–Trotter e le sue modifiche tecniche si presta
a realizzare algoritmi di calcolo molto efficaci per la soluzione dell’equazione di Schroedinger in
tempo reale oppure alla formulazione di algoritmi Monte Carlo in tempo euclideo.
Consideriamo l’operatore Hamiltoniano che descrive una singola particella scalare di massa
m immersa in un campo di forze conservativo con energia potenziale V(x) (ci limitiamo al caso
di un grado di libertà, ma l’estensione a più gradi di libertà non o↵re difficoltà, come pure al
caso di energia potenziale dipendente dal tempo):
� 2 d2
H=− + V(x) ≡ K + V
h
2m dx2
La soluzione dell’equazione di Schroedinger, utilizzando per semplicità di notazione unità in cui
� = 1, è data formalmente da
h
(t) = exp{−i H t} (0)
Applicando la formula di Lie otteniamo
(4.12) exp{−i H t} = lim (exp{−it K�n} exp{−it V�n})n
n→∞
Considerati separatamente K e V si esponenziano facilmente, il che rende conveniente l’uso
della formula (detta anche “splitting method”):
�
im(x − y)2
(exp{−itK} )(x) = exp � � (y) dt
m
ˆ
(4.13)
2⇡it R 2t
(exp{−itV} )(x) = exp{−it V(x)} (x)
Si ottiene cosı̀
(exp{−i t K�n} exp{−i t V�n})n (x) =
2⇡it −n�2 m n (xi − xi+1)2 it n
( ) � dx 1�dx n exp �i � − � V(xi)� (x1)
mn 2 i=1 t�n n i=1
La fase all’esponente è interpretabile come una approssimazione discreta della azione classica
� �
t n � � m xi − xi+1 �
�
2
�� − V(xi)�
�
n i=1 � 2 �
�
� �
t�n
Se ignoriamo il fatto che tutte le variabili xi vanno integrate su R e quindi gli incrementi xi+1 −
xi non sono “infinitesimi”, possiamo identificare questa somma con l’approssimante N−esima
dell’integrale
ˆ t 2
dx(⌧)
� 2m �
1
� − V (x(⌧)) � d⌧
0 d⌧
135
Appendice III 4.5
Si arriva cosı̀ all’espressione del propagatore quantistico in termini di “somma sui cammini”
(Feynman, 1946) [FH65].
4.5. Metodi computazionali

La disponibilità di calcolatori veloci è ormai di↵usa ad ogni livello e molti problemi che
hanno richiesto analisi complicate in passato ora sono alla portata di tutti con minimo sforzo.
Basti pensare allo studio della meccanica celeste, un’impresa che ha impegnato fisici e astronomi
per più di un secolo nello studio della dinamica del sistema solare mentre oggi rappresenta, nella
sua forma più elementare , poco più di un esercizio scolastico. Ci occuperemo qui di due tipi di
problemi: evoluzione temporale di sistemi lineari, avendo in mente tipicamente l’equazione di
Schroedinger, e lo studio dello spettro puntuale. In entrambi i casi è necessario un primo passo
che consiste nel ridurre la dimensione infinita dello spazio degli stati (lo spazio di Hilbert) a una
dimensione grande ma finita N, rappresentabile nella memoria di un computer. È necessario
inoltre introdurre una “scatola di normalizzazione” (o cuto↵ infrarosso”) caratterizzata da una
taglia di lunghezza L. I parametri N ed L entrano come parametri “tecnici” nel problema fisico
accanto ad altri parametri che invece sono dettati dalla fisica del problema. La strategia di
calcolo numerico deve ottimizzare la scelta di N ed L in modo da ridurre l’errore introdotto
dalla loro presenza senza portare a livelli insopportabili lo spazio in memoria necessario e il
tempo di calcolo. La regola base è, detta sbrigativamente, la seguente: se la scala fisica del
problema è ` (ad es. il raggio di Bohr in fisica atomica, o il fermi in fisica nucleare) il rapporto
`�L deve essere tenuto il più piccolo possibile, tenendo conto che l’errore coinvolto può essere
del tipo O(exp{−L�`}). D’altra parte se la scala di energia da esplorare è dell’ordine ⇤, detto
a = L�N (il “passo reticolare”) è necessario controllare che sia rispettata una relazione del tipo
a⌫⇤ � 1 dove ⌫ dipende dalla natura del problema - ad es. per l’equazione di Schroedinger
non–relativistica ⌫ = 2. Non ci sono ricette infallibili, ma è importante acquisire esperienza ed
esercitare l’intuizione fisica - l’arma che di solito manca all’analista puro. Tra gli strumenti
moderni più potenti consideriamo qui 1) l’utilizzazione di trasformate integrali - tipicamente la
trasformata di Fourier, 2) la tecnica di splitting di cui la formula di Lie–Trotter è un esempio
e 3) le tecniche di matrici sparse che permettono di a↵rontare problemi di grande taglia (N �
O(1012)).
4.5.1. Implementazione numerica della formula di Lie–Trotter. Sia H = K +V l’Ha-
miltoniano di un sistema quantistico a un grado di libertà, K = 12 p2 e V = V(q). Lo stato
quantistico �t = 0� sarà rappresentato da una “funzione d’onda” (x, 0) = �x� t = 0�. Si tratta di
d
costruire la soluzione dell’equazione i (x, t) = H (x, t) noto lo stato iniziale (x, 0). Par-
dt
tiamo dalla formula (4.12) che suggerisce un metodo per il calcolo della soluzione: fissiamo un
intervallo temporale massimo su cui studiare il problema 0 ≤ t ≤ T e scegliamo N = Nt nella
formula di Trotter “sufficientemente grande”: qui la condizione da rispettare è E T �Nt � 1 se si
vuole trattare accuratamente funzioni d’onda con energia ∼ E. La funzione (x) dovrà poi essere
“campionata” su un insieme finito di punti, la scelta più semplice essendo quella di fissare un re-
ticolo di punti xi = −L�2+i a con a = L�Nx. Nx dovrà essere fissato abbastanza grande da rendere
accettabile l’errore “ultravioletto”, che consiste nel fatto che solo i momenti p ≤ ⇡�a vengono
riprodotti accuratamente. Il bilanciamento tra tutti questi parametri determina l’accuratezza
dell’algoritmo.
Il calcolo si imposta poi in modo iterativo; all’n−esimo passo si procede secondo lo schema
i) tmp (xi) = e−i⌧V(xi ) (xi, n⌧), (i = 1, ..., Nx)
ii) (x, (n + 1)⌧) = e−i⌧K tmp
Il secondo passo è problematico, in quanto l’applicazione della formula (4.13) comporta un dop-
pio loop e cioè un numero di operazioni che cresce come N2x. Nel caso di problemi tridimensionali
136
4.5. METODI COMPUTAZIONALI
questo fatto può rendere del tutto impraticabile l’idea - immaginiamo Nx ∼ O(103), ciò impli-
cherebbe O(1018) operazioni aritmetiche - del tutto improponibile. La soluzione, nota da tempo
[FFS82, OMT91] consiste nel modificare l’iterazione inserendo due trasformate di Fourier,
schematicamente
exp{−it K�N} exp{−it V�N} � F † exp{−it K(p)�N} F exp{−it V(x)�N}
Il risultato è il nuovo schema iterativo
i) tmp (xi) ← e−i⌧V(xi ) (xi, n⌧), (i = 1, ..., Nx)
ii) (pj) ← (F tmp )(pj)
iii) (pj) ← e−i⌧K(pj ) (pj)
iv) (x, (n + 1)⌧) ← F †
Naturalmente anche la trasformata di Fourier, se discretizzata in modo ingenuo, comporta
O(N2x) operazioni aritmetiche; esiste invece la possibilità di calcolare la trasformata in O(Nx log(Nx))
operazioni, adottando la trasformata di Fourier veloce o FFT. In questo modo risulta realizza-
bile l’idea della formula di Trotter anche in sistemi a 3 gradi di libertà. I programmi matlab in
allegato wms, wms2, wavepktj realizzano l’idea in 1 e 2 gradi di libertà. In figura il caso di un
potenziale V(x) ∝ (x2 − x20)2 con una funzione iniziale concentrata intorno al “vuoto classico”
di sinistra.
Figura 4-4. La formula di Lie–Trotter al lavoro.
137
Appendice III 4.5
Il nucleo del programma è dato da
while(t<t1),
psi=psi.*U;
phi=fft(psi);
psi=ifft(phi.*W);
psi=psi.*U;
t=t+tau;
end
Qui W contiene exp{−i⌧p2�2} ed è calcolato una sola volta prima di iniziare l’iterazione; U
contiene l’evoluzione in x ma di un tempo ⌧�2, e infatti viene applicato due volte: la scelta sim-
metrizzata exp{−i⌧ V�2} exp{−i⌧K} exp{−i⌧ V�2} è il più semplice sistema di “miglioramento’
della formula di Lie–Trotter, con un errore complessivo O(⌧2) anziché O(⌧). ∗ Si consulti il

codice matlab per vedere come preparare i vettori xi e pi a Pag.140.
La disponibilità di trasformate veloci, oltre alla FFT, allarga il dominio di applicabilità della
formula di Lie–Trotter. È possibile a↵rontare problemi di evoluzione temporale per funzioni
definite sulla sfera S2 = {x ∈ R3 � �x� = 1} utilizzando una versione veloce della trasformata†
(#, ') � c`m
(#, ') = � c`m Y`m(#, ')
`≥0
−`≤m≤`
Utilizzando questa trasformata veloce è possibile a↵rontare efficientemente problemi di evolu-
zione sulla sfera con Hamiltoniano H = − + V(x) dove è l’operatore di Laplace–Beltrami sulla
sfera (codice matlab nella directory mexs2kit). ◁
4.5.2. Matrici sparse e problemi spettrali. Per una trattazione completa dell’approccio
numerico a problemi spettrali, o più in generale alla soluzione di problemi lineari, il riferimento
principale è tuttora [GL96]. Qui mi preme illustrare un aspetto particolarmente importante e di
cui tutti possono trarre vantaggio anche senza dovere trasformarsi in esperti analisti. L’elemento
cruciale che permette di a↵rontare problemi di grande taglia è rappresentato dalla introduzione
della struttura di “matrice sparsa”. L’idea consiste nello sfruttamento di una caratteristica tipica
delle matrici che entrano nei problemi di fisica matematica una volta discretizzati e che discende
dal carattere locale delle interazioni: le matrici che rappresentano l’energia ovvero le forze di
un sistema dinamico sono in genere a bassa densità di elementi di matrice, ossia una porzione
rilevante di elementi di matrice sono nulli. Ad es. la forza di una catena di oscillatori accoppiati,
Eq. 1.4 è diversa da zero solo lungo la diagonale principale e le due diagonali immediatamente
adiacenti - ossia si tratta di una matrice tridiagonale; in generale. in dimensionalità più alta,
le matrici interessanti non sono tridiagonali ma pure presentano una percentuale di elementi di
matrici non–nulli piccola rispetto al totale. tipicamente O(d Nd) rispetto a O(N2d), se d è la
dimensione dello spazio in cui agiscono le interazioni. Una matrice a bassa densità è detta in
gergo sparsa e per questi casi si è introdotto un metodo di rappresentazione che sfrutta queste
∗
L’implementazione della FFT adottata in matlab è al momento la FFTW di Frigo, Johnson e Kral.,
(fftw@fftw.org)
†
Parole chiave: SpharmonicKit, S2kit.
138
caratteristiche per risparmiare spazio in memoria e velocizzare le operazioni aritmetiche. La

struttura è del tipo
riga colonna elemento di matrice
i1 j1 Mi1 ,j1
i2 j2 Mi2 ,j2
i3 j3 Mi3 ,j3
...
ir jr Mir ,jr
e si intende che tutti gli elementi che non figurano nella lista sono uguali a zero. Esistono
routines aritmetiche che realizzano le operazioni basilari di somma, prodotto, trasposta, etc.
I linguaggi matlab e mathematica implementano questa struttura e permettono di costruire
facilmente matrici sparse e condurre tutte le operazioni su di esse (vedi ad es. il Probl. 25).
Per quanto riguarda lo studio dello spettro, l’utilizzazione di matrice sparse permette di
considerare matrici di grandi dimensioni ed ottenere cosı̀ un calcolo più accurato: la dimensione
finita della matrice infatti rappresenta un elemento di approssimazione in problemi di fisica del
continuo che richiederebbero la soluzione di problemi spettrali nello spazio a infinite dimensio-
ni; tanto più grande è la dimensione della matrice tanto più ci si avvicina al problema reale.
La routine eigs permette di ricavare autovalori ed autovettori relativi a parte dello spettro -
tipicamente la parte di bassa energia nel caso di meccanica quantistica.
Un aspetto interessante dell’algoritmo impiegato, tutt’altro che banale, consiste nel fatto che
l’unica informazione richiesta per il funzionamento dell’algoritmo è rappresentata dalla azione
dell’operatore su un generico vettore; si richiede cioè la regola per costruire M⇠ per un arbitra-
rio vettore ⇠. Questa regola può essere definita dalla assegnazione di M come matrice sparsa;
ma, e qui sta il fatto che rende tutto lo schema cosı̀ potente, si può in alternativa chiamare una
routine esterna che ritorni M⇠ in output. Questa routine ha un formato del tutto arbitrario e
può contenere operazioni complesse quali trasformate integrali, interpolazioni etc. La routine
eigs ammette chiamate in cui il primo argomento è una matrice oppure una routine. Si veda-
no gli esercizi per una descrizione dettagliata di qualche esempio. Una tipica applicazione di
questa strategia di calcolo consiste nella rappresentazione di operatori di↵erenziali attraverso la
trasformata di Fourier
d2
p2 = − 2 ≡ F † �p2 F( )�
dx
il che permette una rappresentazione molto accurata della derivata e al tempo stesso, attraverso
la routine FFT, una notevole efficienza del codice.
4.5.3. L’algoritmo di Lanczos. Il prototipo di routine “sparsa” per il calcolo dello spettro
risale ai primi anni ’50 ed è dovuta a C. Lanczos [Lan50]. L’idea è quella di sostituire al problema
di determinare una trasformazione di similitudine
M � S ⇤ S −1
con ⇤ diagonale quello, più limitato, di determinare una trasformazione
M � S T S −1
tale che T sia tridiagonale. Una volta costruita la T il suo spettro si può determinare in modo
molto efficiente con il metodo del criterio di Sturm‡ . Vediamo: sia
�↵1 1 0 . . . �
� 1 ↵2 2 0 . . . �
T ��
� 0 2 ↵3 3 0 . . . �
� ⋮ � � � ⋮�
‡
Si veda [GL96]. Un esempio è fornito nel codice “tridiag.c”.
139
Appendice III 4.5
(j)
inoltre identifichiamo le colonne di S con n vettori �e(1) , e(2) , . . . , e(n) , �, ossia Sij ≡ ei . Nel
caso simmetrico, i vettori e(j) sono tra loro ortogonali. Allora la relazione S T = M S diventa
M e(j) = j−1 e
(j−1)
+ ↵j e(j) + je
(j+1)
Da questa relazione si ottiene e(j+1) per ricorrenza a partire da e(1) che può essere scelto
arbitrariamente. Tenendo conto di ortogonalità e normalizzazione si ricava successivamente
M e(1) = ↵1 e(1) + 1e
(2)
⇒ ↵1 = �e(1) , M e(1) �
e(2) = −1
1 (M − ↵1 ) e(1)
( 1 è fissato dalla condizione �e(2) � = 1)
M e(2) = 1e
(1)
+ ↵2 e(2) + 2e
(3)
⇒ ↵2 = �e(2) , M e(2) �
e(3) = −1
2 �(M − ↵2 ) e(2) − 1e
(1)
�
...
Purtroppo l’algoritmo non è utilizzabile in pratica per via del fatto che l’ortogonalità dei vet-
tori e(j) è verificata solo in aritmetica esatta; lavorando in precisione finita, invece, si genera
un errore che rapidamente si amplifica fino a degradare completamente la natura ortonormale
della base. Ciò ha e↵etti imprevedibili sullo spettro, ma con grande probabilità assolutamen-
te letali (per esempio si producono copie spurie di autovalori multipli). Varianti dell’algorit-
mo vengono incontro a questo problema e sono correntemente utilizzate per calcoli realisti-
ci; la routine eigs di matlab impiega l’algoritmo di Arnoldi, della libreria Arpack (si veda
http://www.caam.rice.edu/software/ARPACK/ dove si trova ampia documentazione). Arnol-
di ha il vantaggio di un’ottima stabilità e può essere impiegato anche a operatori non–simmetrici.
Se si vuole implementare il proprio codice facendo uso solo di software “open source” la di-
sponibilità di Arpack, FFTW, gsl, etc. è da tenere ben presente, in un quadro in continua
evoluzione. Per un “case study” che illustra bene un’applicazione di Arpack e di varie trasfor-
mate integrali si possono consultare i documenti http://arxiv.org/abs/physics/0407098,
http://arxiv.org/abs/math-ph/0407021.
Esempio. Diamo un esempio di calcolo di spettro in meccanica quantistica pienamente

documentato. Altri esempi sono da cercare nella sezione Esercizi. Si tratta di calcolare lo spettro
di energia per una particella scalare immersa in un campo di forze con energia potenziale V(x),
x ∈ R3. L’operatore Hamiltoniano è (in unità opportune)
H = − 12 + V(x)
e si intende rappresentare il Laplaciano utilizzando la trasformata di Fourier. I passi per

costruire il programma sono i seguenti:
(a) scegliere alcuni parametri “tecnici”, numero di autovalori desiderato, lato della scatola
di normalizzazione (�x� < L, �y� < L, �z� < L) eventualmente utilizzando un parallelepipedo
con lati di↵erenti nel caso sia conveniente per la particolare scelta di V(x), il numero
di punti del reticolo discreto che si introduce per campionare la funzione d’onda;
(b) costruire il reticolo in x e nello spazio dei momenti:
140
Costruire reticolo x e p
dx = 2*L/N;
x0 = -L*(1-1/N) : dx : L*(1-1/N);
[x,y,z] = meshgrid(x0,x0,x0);
r = sqrt(x.ˆ2+y.ˆ2+z.ˆ2);
k = fftshift(pi*(-N/2:N/2-1)/L);
[kx,ky,kz]=meshgrid(k,k,k);
k2 = kx.ˆ2 + ky.ˆ2 + kz.ˆ2;
(c) definire operatori di↵erenziali di utilizzo comune (nello spazio dei momenti): @2�@x2 �
-kx.^ 2, etc.; � -kx.^ 2 - ky.^ 2 - kz.^ 2.
(d) definire l’energia potenziale, ad es V = r.^ 2/2;
(e) definire l’operatore Hamiltoniano come sotto-routine: il vettore di ingresso è sempre per
eigs un vettore colonna; essendo “psi” un array N × N × N è necessario trasformarlo
attraverso l’istruzione “reshape”; “↵tn” riconosce l’array 3-D e ne prende la trasformata
di Fourier; la moltiplicazione per −k2 realizza il Laplaciano nello spazio dei momenti e la
successiva antitrasformata ci riporta nello spazio delle coordinate; un ultimo “reshape”
è necessario per inviare a eigs un vettore colonna:
Hamiltoniana
function xout=Hamiltonian(xin)
psi = reshape(xin(1:Nˆ3),N,N,N);
fpsi = fftn(psi);
Deltapsi = real(ifftn(k2.*fpsi));
Hpsi = 0.5* Deltapsi + V .* psi;
xout = reshape(Hpsi, Nˆ3, 1);
end
Notare che la routine che definisce l’Hamiltoniana è preferibilmente “nested” di modo

che eredita tutti i parametri dalla funzione principale - anche se ciò richiede molta
attenzione per evitare conflitti accidentali nella denominazione delle variabili;
(f) chiamare eigs con le opportune opzioni (“SA” significa “smallest algebraic”, dunque
gli autovalori vicini allo stato fondamentale):
schr3D.m (frammento)
opts.tol = 1e-10; % accuracy
opts.disp = 0; % quiet!
opts.isreal = true;
opts.issym = true;
[Psi, E] = eigs(@Hamiltonian, Nˆ3, Neig, ’SA’, opts);
141
Problemi

almeno parziale, è riportata in fondo al capitolo.
Problema 1. Dimostrare che `2 è uno spazio lineare.
Problema 2. Dimostrare che C2(a, b) e H2(D) sono spazi lineari (vedi a Pag. 101 per le
definizioni).
Problema 3. Per quali valori di ↵ la successione {n−↵�n = 1, 2, 3, . . . , ∞} è in `2?
Problema 4. Determinare quale tra le seguenti funzioni individua un vettore di L2(0, 1):
(a) (1 + x2)−1�2
(b) 1� cos(!x)
(c) x↵, ↵ ∈ R
Problema 5.# � Si consideri la successioni di vettori in `2:

e1 = (a, b, 0, 0, 0, 0, . . . , 0, . . .)
e2 = (0, a, b, 0, 0, 0, . . . , 0, . . .)
e3 = (0, 0, a, b, 0, 0, . . . , 0, . . .)
⋮
en = (0, 0, . . . , 0, a, b, 0, 0, . . . , 0, . . .)
��
n−1
⋮
Si chiede: per quali valori di (a, b) i vettori ej formano una base in `2?
Problema 6. # Costruire un esempio di funzione continua appartenente a L2(−∞, ∞) e

che non tenda a zero per x → ±∞. Dimostrare poi che se f(x) è assolutamente continua, con
f ′ (x) ∈ L2(−∞, ∞) allora f(x) → 0 per x → ±∞.
Problema 7.# � L’operatore lineare G è definito su una base ortonormale �n� dalle relazioni
G �1� = �1�
G �2� = �1� , G �3� = �2�
G �4� = �1� , G �5� = �2� , G �6� = �3�
G �7� = �1� , G �8� = �2� , G �9� = �3� , G �10� = �4�
⋮ ⋮ ⋮
G �kn� = �1� , G �kn+1� = �2� , . . . . . . , G �kn+n-1� = �n�
⋮
kn = 12 (n2 − n + 2), n = 1, 2, 3, .... Dimostrare che G è illimitato e che il dominio di G† è vuoto

(vedere [Hal82] #50).
143
Problemi 4.5
Problema 8. Studiare l’operatore di↵erenziale X definito da

d d
(X f)(x) = − 12 �x + x� f(x)
dx dx
con dominio DX = {f ∈ L2(0, ∞) � x f ′ (x) ∈ L2}. Determinare se X è autoaggiunto e calcolare
(exp{itX }f)(x).
Problema 9.# Sia Y l’operatore in L2(a, b) con 0 < a < b,
df(x) d 2
(Y f)(x) = 12 i �x2 + (x f(x))�
dx dx
definito per ogni f a.c. con f ′ ∈ L2(a, b). e con le condizioni al contorno
a f(a) = b f(b)
Si determini lo spettro di Y.
Problema 10.# Sia D l’operatore definito sulle funzioni in H = L2(−∞, ∞; exp(−x2) dx) che
siano a.c., con derivata in H come D f(x) = df(x)�dx. Si determini l’aggiunto Hermitiano di D,
lo spettro di D e quello di D† D.
Problema 11.# � Siano p e q gli operatori canonici del Cap.4.3.3. Dimostrare l’identità
exp{−t(p2 + iq)} = e−itq�2 e−tp e−itq�2 e−t
2 3 �12
e dedurne che l’operatore A = p2 + iq ha spettro vuoto.

Problema 12.#� Sia V (in omaggio a V.Volterra) l’operatore in L2(0, 1)
ˆ x
(V f)(x) = √ √
1 f(y)
dy
⇡ 0 x−y
(a) Dimostrare che V è limitato;
(b) determinare V −1
(c) determinare lo spettro di V.
Problema 13.# Sia W↵ l’operatore in L2(0, 1)
ˆ x
(W↵ f)(x) = √ (0 < ↵ < 1)
1 f(y)
dy ,
⇡ 0 (x − y)↵
(a) Dimostrare che W↵ è limitato;
(b) determinare W↵−1
Problema 14. # Sia (p2 f)(x) = −f ′′ (x) con condizioni al contorno periodiche (f(−⇡) =
f(⇡), f ′ (−⇡) = f ′ (⇡)). Calcolare il risolvente di p2.
Problema 15. Come il problema precedente con di↵erenti condizioni al contorno:
i) f(−⇡) = f(⇡) = 0
ii) f(−⇡) = −f(⇡), f ′ (−⇡) = −f ′ (⇡)
Problema 16.# Siano q e p gli operatori canonici in L2(−∞, ∞). Se indichiamo con �A� il
modulo di A, cioè la funzione di A che corrisponde al valore assoluto x → �x�, determinare la
matrice rappresentativa dell’operatore S = �p� + �q� nella base dei polinomi di Hermite un(x) =
√
( ⇡2nn!)−1�2 Hn(x) e−x �2. Dimostrare che in base a semplici proprietà di simmetria
2
�um+1, S u2n� = 0
�u4m+1, S u4n+3� = 0
�u4m, S u4n+2� = 0
144
Problemi
Problema 17. Si definisce come raggio spettrale di un operatore limitato A il limite

superiore
r(A) = sup{�z� � z ∈ (A)}
Dimostrare che r(A) ≤ supn �An� n .
1
Problema 18.# Dimostrare che per due operatori limitati A e B se C = [A, B] commuta con
entrambi gli operatori allora lo spettro di C è costituito al più del punto z = 0.
Problema 19. Sia H2(D) lo spazio di Hilbert delle funzioni analitiche regolari f(z) nel disco
D = {z ∈ C � �z� < 1} tali che
�f(x + iy)�2 dx dy < ∞

¨
D
Per ogni funzione analitica h(z) meromorfa all’interno del disco si definisce (Thf)(z) ≡ h(z) f(z).
Discutere le principali proprietà (definizione del dominio, invertibilità, etc) di Th in particolare
per h(z) = zn, n ∈ Z.
Problema 20. # Dimostrare che il funzionale lineare z(f) = f(z) in H2(D) è continuo e
determinare il vettore ez ∈ H2(D) tale che
f(z) = �ez, f� = ez(w) f(w) dw ∧ dw

¨
Problema 21. Lo spazio di Bargmann B è lo spazio di Hilbert delle funzioni f(z) analitiche
regolari in tutto C tali che esista l’integrale
exp{−�z�2} �f(z)�2 dz ∧ dz
1
¨
⇡ C
(a) Dimostrare che il funzionale lineare z(f) = f(z) è continuo;

df
(b) determinare l’aggiunto Hermitiano dell’operatore (a f)(z) = ;
dz
(c) determinare lo spettro dell’operatore
H = a† a + c a + c a †
con c costante arbitraria;
(d)# � calcolare la soluzione dell’equazione di↵erenziale
d (t)
i = �a† a + c a ei!t + c a† e−i!t� (t)
dt
con ∈ B.
(e)# � calcolare la soluzione dell’equazione di↵erenziale
d (t)
i = �a† a + c a2 e2i!t + c a† 2 e−2i!t� (t)
dt
con ∈ B. In che cosa si di↵erenzia qualitativamente la soluzione di questo problema
dal precedente?
(f) L’operatore Vt = etd�dz è illimitato, come si verifica facilmente applicandolo alle funzioni
e z. D’altra parte (Vtf)(z) = f(z + t) per ogni funzione intera a per ogni t. Esiste
f(z) ∈ B tale che f(z + t) ∉ B? Dimostrare che modificando V come segue
(Utf)(z) = e−1�2t
2 −tz
f(z + t)
si ottiene un gruppo di trasformazioni unitarie in B.
145
Problemi 4.5
Problema 22.# Siano p e q gli operatori canonici rappresentati in L2(−∞, ∞) da

d (x)
(q )(x) = x (x); (p )(x) = −i
dx
Determinare lo spettro di A = 2−1�2(q + ip); si trovi la trasformazione K ∶ L2 � B (B è lo spazio
di Bargmann) tale che K A = a K.
Problema 23.# Sia �n� una base ortonormale nello spazio di Hilbert. Si definisce l’operatore
Aq per ogni reale q, (0 < q < 1) come segue
�
�
�0 (n = 0)
Aq �n� = ��
�
� 1 − q �n − 1�
� (n > 0)
2n
Dimostrare le seguenti proprietà di Aq:

(a) Aq è limitato;
(b) [Aq, A†q] = (1 − q2)( − A†q Aq);
(c)
An
q Aq = �[j]! � j � � j � q Aq Aq
†m n m 2(n−j)(m−j) †m−j n−j
j≥0
(d) Aq ha spettro puntuale { ∈ C� � � < 1}, con autovettori � � = ∑∞ � �n� . (I simboli

n
n=0 [n]!
[n]! e � � sono stati definiti nell’eserc.II.32).

n
j
Problema 24.#� Sia H`2 lo spazio di Hilbert delle funzioni analitiche regolari nel disco {�z� <
1} con prodotto interno
2` − 1
�f, g� ≡ �1 − �z�2� f(z) g(z)dz dz , (` > 1�2).
¨
2`−2
⇡ �z�<1
i) Dimostrare che z(f) = f(z) è un funzionale lineare continuo.

ii) Se (Q f)(z) = z f(z) determinare il suo aggiunto Q† .
iii) Costruire l’operatore exp{t d�dz} e discuterne il dominio.
iv) Dimostrare che
az + b
(U f)(z) = (b z + a)−s f � �
bz + a
con �a�2 − �b�2 = 1 definisce un operatore unitario per un’opportuna scelta del parametro
s.
Problema 25.# �� Si studi lo spettro della matrice M definita da
�0, n� M �0, n� = (1 + (1 − m1)) n
�
�0, n + 1� M �0, n� = n(n + 1)
nei due casi =0 e = 1.

Problema 26. Sia J l’operatore in H2(D) (vedi Probl. 19) definito da
df
(J f)(z) = z .
dz
146
Problemi
d d d
La relazione di commutazione [ ,z ] = implica che
dz dz dz
d d
−t d
Jt = e dz J e dz = J + t
t
dz
Si chiede: è lecito concludere che J0 = J e Jt hanno lo stesso spettro? Dopo avere tratto le
conclusioni ... calcolare lo spettro di Jt.
√
Problema 27. Sia a l’operatore di “annichilazione” definito su una base ortonormale da
a �n� = n �n − 1�. Si determini lo spettro dell’operatore
S = (1 + a† a)−1�2 a
e si mostri che S † è isometrico ma non unitario.
Problema 28.# L’operatore G è definito in L2(−∞, ∞) dall’espressione
ˆ +∞
f(x − y) − f(x)
(G f)(x) = lim
1
dy
⇡ "→0 −∞ y2 + "2
con f(x) a.c., f ′ (x) ∈ L2. Determinare exp tG.
Problema 29.# Sia f ∈ L2(−1, 1; w(x)dx) sufficientemente regolare affinché esista l’integrale
(in parte principale di Cauchy)
f(x) − f(y)
ˆ 1
(K f)(x) = − w(y) dy
−1 (x − y)
2
√
Determinare lo spettro puntuale di K nel caso w(x) = 1 − x2.
Problema 30.# Si studi l’operatore integrale (l’operatore di Tuck∗ , vedi [TN02])
(⌘) − (⇠)
ˆ 1
(4.1) (K )(⇠) = d⌘
0 �⇠ − ⌘�
e si mostri che K è diagonalizzabile nella base dei polinomi di Legendre Pn(2⇠−1) con autovalori
dati dai numeri armonici hn = ∑n −1
j=1 j .
Problema 31. Si consideri l’operatore lineare

( f)(x) = − 12 h−2 (f(x + h) − 2f(x) + f(x − h))
dove f ∈ L2(−⇡, ⇡), h > 0 e x + h o x − h sono da considerare modulo 2⇡. Dimostrare che è
limitato e che il suo spettro è dato da
1 − cos(n h)
( )=� � n ∈ Z�
h2
d
Problema 32. Sia D l’operatore −i definito in L2(−⇡, ⇡) con condizioni periodiche al
dx
contorno. Si determini il nucleo integrale K(x, x ′ ; t) tale che
ˆ ⇡
(exp{−t�D�} f)(x) = K(x, x ′ ; t) f(x ′ ) dx ′
−⇡
intendendo al solito �Op� il valore assoluto di Op. Derivando rispetto a t si ricavi la forma
esplicita di �D�.
∗
Ernest O. Tuck, illustre matematico australiano, Adelaide 1939–2009.
.
147
Problemi 4.5
Problema 33. # � Sia (✓) una qualunque funzione a.c. con ′ ∈ L2 e tale che (⇡) =
(−⇡) + 2 n ⇡ per n intero. Si trovi il minimo del funzionale (non–lineare)
− ei (✓ )
¨ ⇡ i (✓) ′ 2
H[ ] ≡ 2 � � d✓ d✓ ′
1 e
i✓ − ei✓′
4⇡ −⇡ e
n �∞
Problema 34.# Sia T l’operatore “di shift” in `2
�
�
�0 (n = 1)
T �n� = �
�
��n − 1� (n > 1)
�
Determinare lo spettro dell’operatore autoaggiunto X = 12 (T + T † ). Sia TN il troncamento di T
al sottospazio finito generato da �n� , n ≤ N. Che relazione c’è tra lo spettro di T e quello di TN?
E tra lo spettro di X e quello di XN = 12 (TN + TN† )?
Problema 35.#� Sia T = ; T = T (come definito al problema precedente). Si definisca T
0 1 n
in modo che soddisfi la relazione di ricorrenza
2T Tn = Tn+1 + Tn−1
Trovare un’espressione esplicita per Tn per qualunque n. Sia poi N l’operatore diagonale N �n� =
n �n�. Dimostrare che lo spettro dell’operatore autoaggiunto
T +T †
Y = N −1�2 N −1�2
2
è dato dai reciproci degli zeri della funzione di Bessel J0: P (Y) = {y ∈ R � J0(1�y) = 0}.
Problema 36. Con le notazioni del problema precedente, si determini lo spettro dell’opera-
tore
T +T †
Ys = (N + s )−1�2 (N + s )−1�2
2
(s reale non–negativo).
Problema 37.# Nella base ortonormale �n� , (n = 1, 2, 3, ...) si definisce l’operatore
n
Sa �n� = � aj−1 �n − j�
j=0
con a un qualunque numero complesso di modulo inferiore a uno. Si dimostri che Sa è limitato,
se ne determini lo spettro e si trovi Sa† .
Problema 38.# Determinare lo spettro dell’operatore integrale Ka definito dalla relazione
ˆ a
(Ka f)(x) = 21
e−�x−y� f(y) dy .
−a
Generalizzare al caso di un operatore della forma
ˆ a
(K f)(x) = F(�x − y�) f(y) dy .
−a
Problema 39. Sia A l’operatore definito in una base ortonormale dalla matrice
�a0 a1 a2 a3 ... �
�a1 �
� �
a0 a1 a2 ...
A � �a2 �
� �
a1 a0 a1 ...
�a3 a2 a1 a0 ... �
� ⋮ � � �
ossia tale che Aij = a�i−j� . Determinare se A è limitato, utilizzando il criterio di Schur.
148
4.5. SOLUZIONI
Problema 40.# Sia p come definito nel Probl.22. Considerare l’operatore B = g(x)−1 p g(x)
con g(x) = x e−x �2. Dimostrare che
2
(B B † f)(x) = −f ′′ (x) + x2 f(x) − 3 f(x) .

Dunque B B † e−x �2 = −2 e−x B B † è autoaggiunto e positivo, come può avere
2 2 �2
. Attenzione!
un autovalore negativo???
Problema 41. Si dimostri che sotto opportune condizioni su A e B l’operatore
Y= (B − x )−1 X (A − x )−1 dz
1
‰
2⇡i
soddisfa l’equazione B Y − Y A = X se il contorno è una curva semplice chiusa contenente al
suo interno lo spettro di A ma nessun punto dello spettro di B.
Problema 42. Sia Aij = (1 + i + j)−1, (i, j ∈ Z+ ). Si dimostri che A definisce un operatore
limitato. Si applichi il criterio di Schur, oppure si tenga conto del fatto che A è la matrice dei
momenti della distribuzione uniforme nell’intervallo (0, 1)
ˆ 1
Aij = xi+jdx = �xi, xj�
0
Problema 43. Siano p e q gli operatori canonici in L2(−⇡, ⇡), con condizioni periodiche al
contorno. Determinare
C(s, t) = exp{itp} exp{isq} exp{−itp} exp{−isq}
Problema 44. Sia M la matrice simmetrica
�a1 b1 0 0 0 0 ... �
�b1 a2 b2 0 �
�0 b a b �
0 0 ...
� �
M��
0 0 ...
� 0 0 b1 a2 �
2 1 1
� b2 0 ... �
� 0 0 0 b2 �
� ⋮ ⋮ �
a1 b1 ...
� � �
(M2n−12n−1 = a1, M2n2n = a2,M2n−12n = b1, M2n2n+1 = b2). Determinare lo spettro di M
(assumendo che la base sia ortonormale).
Soluzioni
. 5 Dobbiamo chiederci in quale circostanze le infinite relazioni �ej� ⇠� = 0 implichi �⇠� = 0:
#
dato che �ej� ⇠� = a ⇠n + b ⇠n+1 si trova che per �a� < �b� esiste il vettore
(1, −b�a, (−b�a)2, . . . , , (−b�a)n, . . .) ∈ `2
e ortogonale a tutti i vettori della successione, la quale perciò non costituisce una base.
. 6 È sufficiente considerare la funzione
#
�
�∞
f(x) = � � g(n2(x − n))
n=1
con g(x) = 0 per x > 1�2, g(x)dx = 1, g continua e positiva con tutte le derivate continue. Si
´
trova
∞ ˆ
f(x) dx = � g(n2(x − n))dx = � n−2 = ⇣(2) = ⇡2�6
ˆ
2
n=1
149
Problemi 4.5
Dunque f è in L2 ma non ha limite per x → ∞. Se si assume che la funzione sia in L2, sia
assolutamente continua e con derivata in L2 segue invece:
ˆ x
d
ˆ x
f(x) = f(0) +
2 2
f(y) dy = f(0) + 2
2 2
f(y) f ′ (y) dy
0 dy 0
e il limite di f all’infinito esiste per la convergenza del prodotto interno di due funzioni di L2.
Inoltre il limite, se esiste, è ovviamente uguale a zero.
. 7 La relazione che definisce l’aggiunto
#
� , G � = �⌘, �
per = �1� , �2� , ..., �n� , ... mostra che
� � j� = � � k�
se G �j� = G �k�. Il punto è che esistono infiniti k per ogni j che soddisfano la condizione e quindi
�j� � assume lo stesso valore infinite volte e deve perciò annullarsi. Questo vale per ogni j e
dunque � � = 0 e G† ha dominio vuoto. G è ovviamente illimitato, altrimenti si contravverrebbe
al teorema di Riesz, tuttavia ciò si può controllare direttamente: si ha
√
= �1� + �2� + �4� + . . . + �kn� ; �G � = n = n � �
e dunque �G � � � � può essere grande a piacere.
. 9 Il problema si può mappare su uno già risolto: infatti si consideri la trasformazione
#
f(x) = x g(x)
Dato che 0 < a < x < b la trasformazione è continua e invertibile. Si avrà dunque l’equazione
agli autovalori
d −1 d
2 �x dx x
i
+ x−1 x� g(x) = g(x)
dx
ma si ha anche
d −1 d d d d
x x + x−1 x = x(x−1 − x−2) + x−1(x + 1) = 2
dx dx dx dx dx
d
e l’equazione si riduce a i g(x) = g(x) con condizioni al contorno g(a) = g(b), dunque
dx
g(x) = exp{i k x} con autovalori {k � (b − a)k = 2n⇡, n ∈ Z}.
. 10 Dalla relazione
#
ˆ ∞ ˆ ∞
d −x2 2 d
f(x) e dx = − f(x), (ex g(x) e−x ) e−x dx
2 2
g(x),
−∞ dx −∞ dx
si conclude che
d −x2 d
B † g(x) = −ex
e g(x) = (− + 2x) g(x)
2
dx dx
Lo spettro di B è puntuale e riempie tutto il piano complesso, infatti
B f(x) = f ′ (x) = b f(x) ⇒ f(x) = N ebx ∈ H
mentre lo spettro di B † B si determina secondo quanto si sa dalla Meccanica Quantistica, infatti
d d
B B† − B† B = [ , 2x − ] = 2
dx dx
√
e perciò B è unitariamente equivalente a un multiplo dell’operatore di annichilazione (p−iq)� 2.
Lo spettro di B † B è perciò quello dell’oscillatore armonico - si veda qualunque testo di Meccanica
Quantistica.
150
4.5. SOLUZIONI
. 11 Applicare la formula di Baker–Campbell–Hausdor↵, confidando che non ci siano diffi-

#
coltà nascoste nel carattere non–limitato degli operatori. Si può anche verificare che l’identità è
corretta cercando l’equazione di↵erenziale (in t) soddisfatta da entrambi i membri dell’equazio-
ne. Una volta assodata la validità della formula, il risolvente è dato dalla Eq.4.10 e l’integrale
è assolutamente convergente per ogni valore complesso di z; dunque RES(A) = C.

La terminologia in letteratura può indurre in errore. Halmos [Hal82] presenta un teorema
secondo cui ogni operatore nello spazio di Hilbert ha almeno un punto nello spettro. Il fatto
è che nel libro citato si considerano solo operatori definiti su tutto lo spazio di Hilbert, ad
es. diag{0, 1, 2, ..., n, ...} non è la matrice di un operatore. L’argomento portato da Halmos
considera il generico elemento di matrice del risolvente Afg(z) = �f, (z − A)−1g� e fa uso del
fatto che Afg(z) → 0 per z → ∞ per concludere che lo spettro non può essere vuoto in forza del
teorema di Liouville (argomento analogo a quello che si richiama nel caso di spazi a numero finito
di dimensioni e che porta al teorema fondamentale sugli zeri dei polinomi in campo complesso).
Ma l’argomento non vale per operatori illimitati. ◁
√
. 12 Applicare il criterio di Schur assumendo p(y) = 1� y, q(y) = 1. L’inversione
#
dell’operatore risale ad Abel: si applica V due volte e scambiando l’ordine di integrazione si
trova
x
(V 2 f)(x) =
ˆ
f(y) dy
0
d 2
e quindi V = .
dx
. 13 Si trova una formula di inversione in modo analogo al problema precedente:
#
ˆ x
−1
V↵ V1−↵f(x) = (sin(⇡↵)) f(y) dy
0
Si applichi poi il criterio di Schur.

. 14 La funzione di Green si trova risolvendo l’equazione di↵erenziale
#
z G(x) + G ′′ (x) = (x − y)
√
tenendo conto delle condizioni al contorno; la soluzione A� cos( z x + �) con costanti di↵erenti
per x � y si trova imponendo che
ˆ y+"
G ′′ (x) dx = G ′ (y + ") − G ′ (y − ") ≈ 1
y−"
(discontinuità nella derivata prima). Si trova, ponendo z = !2.
G(x) = cos (!(⇡ − �x − y�))

1
2! sin(!⇡)
Una semplice istruzione in mathematica risolve il problema
DSolve[{z f[x] + f ′′ [x] == DiracDelta[x − y], f[−⇡] == f[⇡], f ′ [−⇡] == f ′ [⇡]}, f[x], x];
Simplify[%, {z > 0, y > −⇡, y < ⇡, x > y}]
#. 16 Le funzioni un sono autofunzioni dell’operatore F (la trasformata di Fourier - 4.3.8)

con autovalore e−in⇡�2. Dato che p = F q F † si avrà
�un, (q + F q F † ) um� = (1 + ei(m−n)⇡�2) �un, q um�
151
Problemi 4.5
da cui discendono la seconda e la terza relazione, mentre la prima è conseguenza della parità
un(−x) = (−)n un(x). Gli integrali che permettono di costruire la matrice
ˆ ∞
un um e−x �2 dx
2
0
sono esprimibili in termini di funzioni Ipergeometriche, ma sono più comodamente calcolati con
mathematica. Si può stimare lo spettro attraverso l’approssimazione WKB secondo cui detto
En l’n-esimo autovalore si ha
dq dp ≈ (n + 1�2)
1
¨
2⇡ �q�+�p�=En
L’integrale è ovviamente dato da 2E2n e quindi si avrà approssimativamente
√
En ≈ ⇡(n + 1�2) , n = 0, 1, 2, ... .
Il calcolo dello spettro si può impostare prendendo un troncamento della matrice a dimensione
finita. Tuttavia la matrice richiede un consistente tempo di elaborazione e non è pratico raggiun-
gere dimensioni rilevanti (≥ 64). Un’altra strategia di calcolo è chiaramente superiore: si utilizza
la rappresentazione spettrale per �p� e l’algoritmo di Arnoldi per il calcolo dello spettro: 0.2sec
per il calcolo con una discretizzazione di 1024 punti: il codice matlab è il seguente (depurato da
qualche dettaglio tecnico, il codice completo si trova in rete)
absp.m
function [E,Psi,x] = absp(N, L, Neig)
% Spectral code: |p| in momentum space
% Usage:
% [E,psi,x]=absp(N,L,Neig)
if nargin<3, Neig=10; end

if nargin<2, L = 8.0; end % normal. box is 2L wide
if nargin <1, N = 64; end % number of grid points
%% -------- space Lattice --------------

dx = 2*L/N;
x = -L*(1-1/N) : dx : L*(1-1/N);
r = abs(x’);
%% -------- lattice in momentum space --

kx = fftshift(pi*(-N/2:N/2-1)/L)’;
k = abs(kx);
[Psi,E] = eigs(@Op, N, Neig,’SA’);
E = diag(E);
%%--- embedded routine: compute the action of Operator over |psi>

function Hpsi = Op(psi)
Hpsi = r .* psi + real(ifft(k.*fft(psi)));
end % end embedded routine
end % end main routine
Il grado di approssimazione della formula WKB si può stimare utilizzando il codice matlab
“absp.m” allegato. L’errore 1 − EWKB�E sull’autovalore n−esimo risulta dell’ordine di 10−3�n.
. 18 Dato che e−tA B etA = B − t C e inoltre e−tA è limitato e quindi costituisce una trasfor-
#
mazione di similitudine, lo spettro di B coincide con quello di B − tC, ovvero lo spettro di B�t
con quello di −C + B�t. Se prendiamo t molto grande il raggio spettrale di B�t diventa piccolo a
piacere e quindi ciò vale anche per C.
152
4.5. SOLUZIONI
. 20 Introduciamo la base ortonormale

#
un(z) = Nn zn
Si trova facilmente
�un� = �z�2ndz dz =
⇡
¨
2
�z�<1 n+1
La serie
∞
K(w, z) = � un(w) un(z) = (1 − z w)−2
1
n=0 ⇡
definisce la funzione ew(z) = K(w, z) ∈ H2(D) richiesta, tale cioè che
�ez, f� = f(z)
. 21
#
(a) In modo analogo al problema precedente, si vede subito che introdotta la base ortonor-
male
un(z) = (n!)−1�2 zn
si trova
∞
K(z, w) = � un(z) un(w) = exp{z w}
n=0
e perciò
z(f) = f(z) = �ez, f�
dove
ez(w) = K(z, w) .
Il risultato discende anche in modo molto limpido dal seguente fatto: lo spazio di
Bargmann origina da L2(−∞, ∞) introducendo la base degli stati coerenti
�z� = � √ �n�
zn
n≥0 n!
essendo �n� la base ortonormale costituita dagli autostati dell’oscillatore armonico. La
componente di un vettore qualunque �f� lungo �z� è una funzione intera in B e per la
disuguaglianza di Cauchy si ha
zn �z�2n
�f(z)�2 = � �z� f� �2 = � � √ �n� f� �2 ≤ � ⋅ �f�2 = e�z� �f�2
2
n≥0 n! n!
(b) L’aggiunto di d�dz si trova dalla definizione: integrando per parti si trova
@e−�z� f(z)
2
−�z�2 dg(z)
dz ∧ dz = g(z)dz ∧ dz = e−�z� z f(z) g(z) dz ∧ dz
¨ ¨ ¨
2
e f(z)
dz @z
d †
e dunque � � f(z) = z f(z).
dx
(c) Lo spettro dell’operatore H si trova facilmente risolvendo un’equazione di↵erenziale del
primo ordine:
df
(z + c) = ( − c) f(z)
dz
che ha soluzione generale
f(z) = N e−cz (z + c) +�c�2
Affinché f sia una funzione intera è necessario che + �c�2 ∈ Z+ , ossia lo spettro è dato
da = n − �c�2, n = 0, 1, 2, 3, ....
153
Problemi 4.5
(d) Si ha
a ei!t = e−i!ta
†a †a
a ei!ta
e perciò
d
= Ht , Ht = e−i!ta a �a† a + c a + c a† � ei!ta a
† †
i
dt
Si applica la “rappresentazione di interazione” (a pag.67) per ottenere
(t) = e−i!ta e−i!t(H0 −!a (0)
†a † a)
ed il problema è ricondotto al calcolo di esponenziali di operatori non dipendenti esplici-

tamente dal tempo. In casi analoghi non esattamente solubili si può ricorrere all’integra-
zione numerica. Il problema si può mappare su L2 e l’equazione di evoluzione diventa
un’ordinaria equazione di Schroedinger con potenziali dipendenti dal tempo risolubile
con routines standard.
(e) Soluzione analoga al punto precedente.
(f) Si consideri Vt mappato
√
su L2 e si tenga conto del fatto che eta si può riesprimere
in termini di etp� 2. Questo operatore non può essere applicato a qualunque elemento
di L2 a meno che t non √ sia puramente immaginario, ma allora il problema rinasce
dall’altro fattore eitq� 2!
. 22 Il vettore �z� autovettore di A con autovalore z si trova risolvendo un’equazione di↵e-
#
renziale del primo ordine senza difficoltà e si trova
�
�x� z� = N exp � 2 xz − 12 (x2 + z2) − 12 �z�2�
Il prodotto �z� f� definisce una funzione in B a meno per il fattore e−�z� �2 che viene associato
2
alla misura di integrazione:

�
ˆ ∞
�z� f� = N exp � 2 x z − 12 x2� f(x) dx exp{− 12 (z2 + �z�2}
−∞
La trasformazione cercata è perciò
∞ �
(K f)(z) = N exp{ 2 x z − 12 x2 − 21 z2} f(x) dx
ˆ
−∞
e si verifica poi che
d √
K = K (q + ip)� 2 .
dz
. 23 Si veda l’articolo sul Nuovo Cim.65A, pag.298 (1981), e anche [AO84].
#
. 24 Come per i Probl.19-20-21 si determina una base ortonormale
#
en(z) = Nn zn
e si costruisce il nucleo K(z, w) = ∑ en(z)√en(w) che costituisce la “delta di Dirac” in questi
spazi di funzioni analitiche. Si trova Nn = (n + 2`)� (2`) n! e infine
K(z, w) = (1 − z w)−2` .
Il punto iv) si discute operando una trasformazione di variabile
az + b
w=
bz + a
e constatando che per s = ` lo Jacobiano cancella esattamente i fattori davanti a f(z) e quindi
U risulta unitario. In questo modo si costruiscono le rappresentazioni del gruppo di Lorentz in
due dimensioni SO(2, 1) ∼ SU(1, 1) [Bar47].
154
4.5. SOLUZIONI
. 25 Si vedano [VW06, BCO07] per la soluzione analitica. Come esercizio di analisi nu-
#
merica, si può invece a↵rontare il problema molto facilmente utilizzando un programma matlab.
La matrice infinita si deve troncare a dimensione finita N; per ogni scelta di N i primi r(N)
autovalori saranno calcolati con precisione accettabile, r(N) essendo da valutare caso per caso:
il principio cui affidarsi in mancanza d’altre informazioni è che gli autovalori sono a↵etti da un
errore di taglia finita, analogo a quanto succede ponendo un sistema quanto–meccanico in una
scatola finita: la presenza di un volume finito in genere aumenta il valore dell’energia (si pensi
a una “compressione adiabatica” dal volume infinito a L. L’errore sarà meno rilevante per gli
√ Ad es. per un oscillatore
autostati il cui autovettore è ampiamente contenuto nel volume finito.
�
armonico di cui si sa che la scala di lunghezze tipiche è fissata da h�m! e la funzione d’onda
1 2 2 �
è in gran parte interna alla zona “classica” 2 m ! x � nh! è facile determinare la dimensio-
ne della scatola di normalizzazione. In un problema come quello in esame, non c’è intuizione
fisica che aiuti, tuttavia si può procedere allargando via via il numero di stati fino a raggiungere
stabilità. Per a↵rontare un problema agli autovalori di grandi dimensioni si può utilizzare una
routine matlab come eigs che calcola lo spettro di matrici sparse. Nel nostro caso si definisce
la matrice attraverso le routines spdiags che producono una matrice sparsa da sottoporre poi a
eigs.
susyqm.m
function [E,V,H] = susyqm(lam, B, Negv, flag)
% Veneziano-Wosiek susyQM
% compute the spectrum through sparse methods (eigs) for large
% matrices, dim=B
% Usage [E,V,H] = susyqm(lam, B, Negv)
% ------------ omesso il setup, vedi file susyqm.m ------
% building the sparse matrices H
D = (0:B)’; % diagonal m.e. (column vector)
OD = sqrt(lam*D.*(D+1)); % off-diagonal m.e.
H = spdiags([OD,D*(1+lam)/2], [-1:0], B, B); % subdiagonal part

H = H+H’; % symmetrize
H(2,2) = 1 + flag * lam; % fix special value at n = 1
[V,E] = eigs(H(2:end,2:end), Negv, ’SM’,opt);
Si consiglia di sperimentare con il codice per vari valori di . Si troverà che per � 1 un
troncamento 100 × 100 è già adeguato, mentre per crescente e dell’ordine di uno il problema
tende a scappare di mano. In e↵etti per = 1 l’operatore attraversa una transizione a un diverso
regime; per = 1 lo spettro è continuo. Ci si accorge facilmente di quanto accade intorno a = 1
in base al fatto che gli autovalori diventano fortemente dipendenti dal troncamento finito. Ad es.
per = .9999 lo spettro calcolato per B = 10n, n = 3, 4, 5, 6 mostra che solo per dimensione di 106
si intravede stabilità rispetto al troncamento (il calcolo prende circa un minuto). La dimensione
massima raggiungibile dipende dalle caratteristiche dell’hardware e da quanto è sparsa la matrice.
Nel caso presente Negv = 10, B = 4∗106 è già vicino al limite in un sistema con 4GBy di memoria
fisica.
10ˆ3 10ˆ4 10ˆ5 10ˆ6
_______________________________________________________
1 0.0002 0.0000 0.0000 0.0000
2 0.0049 0.0005 0.0001 0.0001
3 0.0150 0.0014 0.0002 0.0002
4 0.0303 0.0029 0.0004 0.0003
5 0.0508 0.0048 0.0006 0.0004
6 0.0765 0.0073 0.0008 0.0005
7 0.1074 0.0103 0.0011 0.0006
8 0.1435 0.0138 0.0014 0.0007
9 0.1848 0.0178 0.0018 0.0008
10 0.2313 0.0222 0.0023 0.0009
155
Problemi 4.5
. 28 Si usi la trasformata di Fourier.

#
#. 29 Si veda la soluzione completa su [CMO80]. L’operatore troncato a dimensione finita
può essere agevolmente studiato numericamente. Si veda il Probl.49 nella Parte II.
. 30 Si veda [FPO04] per la soluzione.
#
. 33 Sviluppando in serie di Fourier
# (#) = ∑ ne
in#
, si trova
∞
H[ ] = � �n� � n� ;
2
−∞
inoltre la continuità di implica che
(2⇡) − (0) d# ∞
ˆ 2⇡
d i
⌫[ ] = = �e−i (#)
(−i) e (#)
� = � n� n� ;
2
2⇡ 0 d# 2⇡ −∞
è un intero che rimane costante rispetto a piccole variazioni di (rappresenta il numero di
avvolgimenti del punto e intorno allo zero nel piano complesso). Per ⌫ > 0 fissato si ha allora
i
∞ −1
H[ ] − ⌫[ ] = � (�n� − n) � n� = −2 � n �
2
n�
2
≥0
−∞ −∞
Il minimo si ha per n = 0, n = −1, −2, ..., −∞, il che implica che la funzione ei (#) = ∑∞ nz
n
si estende a una funzione analitica regolare all’interno del disco �z� = �e � < 1. Le condizioni
0
i#
(#)
�ei �=1 per �z� = 1
′
(z) dz = 2⇡⌫
˛
restringono la alla forma

z − zi ⌫
ei = ei↵ �
i=1 1 − zi z
dove zi sono punti arbitrari all’interno del cerchio di raggio uno. Per ⌫ < 0 si procede in modo
analogo (vedi [Ono85]).
. 34 L’equazione agli autovalori per il vettore �n� � = cn
#
cn+1 + cn−1 = 2 cn
si può risolvere ponendo cn = ein↵ che dà = cos ↵. La condizione per n = 1 impone di prendere
la combinazione di soluzioni che si annulla per n = 0, cioè cn = sin(n↵). La soluzione non è a
quadrato sommabile dunque P = �, mentre C = [−1, 1]. Il troncamento a dimensione finita dà
lo spettro già studiato nella prima parte, che al limite N → ∞ riempie l’intervallo [−1, 1]; dunque
in questo caso cè un limite regolare verso la dimensione infinita. Al contrario per l’operatore
isometrico T la situazione è nettamente diversa. Lo spettro di T è dato dall’interno del disco
di raggio unitario, mentre il suo troncamento N × N costituisce un blocco nilpotente con il solo
zero nello spettro.
. 35 L’equazione agli autovalori Y �y� = y �y� , sviluppata sulla base �n� è data da
#
∞ ∞
−1�2
� cn �(n + 1�2) �n + 1� + (n − 1�2)−1�2 �n − 1�� = 2 y � n1�2 cn �n�
n=1 n=1
avendo posto �n� y� = n 1�2

cn. Si trova allora
cn−1 + cn+1 = 2 n y cn
che si riconosce come la relazione di ricorrenza delle funzioni di Bessel; dunque cn = A Jn(1�y)+
B Nn(1�y). C’è da imporre una condizione al contorno e precisamente c0 = 0 e inoltre la serie
156
∑ n �cn�2 deve risultare convergente. Ora si sa che Jn tende a zero per n → ∞ (è la trasformata
di Fourier di una funzione periodica), mentre la seconda soluzione deve divergere in quanto il
Wronskiano deve rimanere costante. Dunque B = 0 e c0 ∝ Jn(1�y) = 0. Il calcolo si implementa
facilmente in matlab (vedi bessel.m).
. 37 Si applichi il criterio di Schur. Lo spettro si trova sfruttando la relazione che sussiste
#
tra Sa e l’operatore di shift:
Sa = � aj T j = ( − aT )−1
j≥0
Noto lo spettro di T se ne deduce lo spettro di Sa. Ora T è limitato con �T � = 1. L’equazione
T � � = � � ha soluzione � � = ∑∞ n
�n� per ogni ∈ C con � � < 1. Lo spettro di Sa è perciò
dato da {(1 − a z) � �z� < 1}. Si noti che per ogni n e ogni a si verifica che
n=0
−1
Sa( − aT ) �n� = �n�

ma questo non è sufficiente per concludere che ( − aT ) sia sempre invertibile; ciò vale solo per
�a� < 1.
. 38 Prendendo la derivata rispetto a x due volte si scopre che K è interpretabile come
#
inverso di un operatore di↵erenziale etc.
#. 40 Non cè nessun errore, ma solo una manipolazione da prestigiatore che nasconde il
trucco. L’operatore B † è definito in un dominio che non comprende la Gaussiana. Però
l’operatore B B † ammette un’estensione autoaggiunta a un dominio che non richiede l’annulla-
mento in x = 0 e però non è più fattorizzabile nel prodotto di un operatore per il suo aggiunto.
L’esempio risale a lezioni di J.R. Klauder alla Scuola di Schladming del 1969.
Galleria di ritratti
◆ ⇣
Volti dal mondo della Matematica,
✓
della Fisica e della Computer Science ⌘
G.Andrews D. Bernoulli
E. Cartan
A. Cauchy L. Dirichlet
F. Dyson
L. Euler
J. Fourier E. Fermi, W. Heisenberg e W. Pauli
R.P. Feynman
C.F. Gauss
G.H. Golub
G. Hardy
W.R. Hamilton
D. Hilbert
C. Hermite
J.R. Klauder
M. Kac
D. Knuth A.N. Kolmogorov

L. Lamport
J.L. Lagrange
A.M. Legendre
S. Lie
A. Markov
M. Mehta
C. Moler
B. Pascal
H. Poincaré G. Polya
B. Simon
R. Stallman
E.O.Tuck J. Von Neumann
E.P. Wigner
IV - Applicazioni alla Teoria delle Probabilità
CAPITOLO 5
Caso e probabilità in Fisica
Introduzione
In quali circostanze si parla di “caso” e si basano perciò le nostre previsioni su valutazioni di
probabilità? Rimanendo nel contesto della Fisica Classica, il caso fa la sua apparizione in feno-
meni dove le osservazioni sono dominate da un grande numero di fattori imponderabili, troppo
numerosi per potere essere tenuti in conto in modo sistematico; e però proprio il grande numero
di fattori permette di prevedere almeno entro certi limiti il risultato delle osservazioni. I casi
più comuni e familiari sono dati da fatti legati al gioco: l’uscita di un numero al lotto, il lancio
dei dadi, il gioco della roulette etc. In ciascuno di questi casi, il fenomeno che porta alla vincita
o alla sconfitta cadrebbe in linea di principio sotto le leggi della meccanica e tuttavia il risultato
dipende da un cosı̀ grande numero di fattori (la velocità iniziale di rotazione della roulette, la
velocità e la direzione della pallina, lo stato della superficie della roulette che modifica l’aderen-
za, l’attrito con l’aria e la presenza di microcorrenti d’aria, le variazioni di temperatura, l’attrito
del perno della roulette che determina il tempo di rotazione, cos’altro? Bene, nessuno di questi
fattori è alla portata delle misure del giocatore istante per istante (e neppure del croupier) e
perciò il massimo che si possa concludere è che per ragioni di pura e semplice simmetria ogni
numero della roulette è a priori ugualmente probabile. Allo stesso modo l’uscita del lancio di
due dadi o i numeri al lotto sono esempi di eventi imprevedibili con sicurezza in quanto deter-
minati da numerosi fattori e da condizioni iniziali non controllabili. Non ci addentreremo nella
discussione su quale sia la definizione corretta di probabilità. Spesso si è caduti nella trappola
di definire la probabilità in modo logicamente circolare. Perciò adotteremo un punto di vista
molto pragmatico. La probabilità P di un evento E è un numero compreso tra zero e uno e
sulla base della conoscenza di questo numero siamo pronti a scommettere che in N esperimenti
preparati nelle stesse condizioni l’evento si produrrà approssimativamente NP volte, ossia P è
una valutazione a priori della frequenza di un evento casuale. L’impostazione di un problema
di probabilità è dunque nei casi più semplici fondata su alcuni passaggi fondamentali: i) l’indi-
viduazione degli elementi che contribuiscono alla definizione del fenomeno (eventi elementari);
l’individuazione tra questi dell’insieme completo di eventi elementari che si possono considerare
equiprobabili; iii) l’analisi combinatoria che permette di valutare la probabilità di un evento
complesso una volta ridotto ai suoi elementi. Allora, piuttosto che analizzare in modo rigoroso
le basi dell’approccio probabilistico (De Finetti, Laplace, Poincaré, Feller) procediamo adottan-
do lo schema matematico della probabilità come ipotesi di lavoro. Le conferme che provengono
173
Probabilità 5.1
dalla sua applicazione a problemi concreti permetterà allora di convincerci della validità del-
l’approccio. Prima di iniziare un paio di osservazioni che sono per me molto importanti. Prima
di tutto il manifestarsi del caso in fenomeni fisici non è legato esclusivamente a quanto detto
finora (la presenza di numerosi fattori imponderabili); sappiamo ormai per certo che i fenomeni
quantistici sono caratterizzati da comportamenti casuali non riconducibili a semplici modelli di
agenti sub-microscopici e non osservati. Il caso sembra entrare nelle leggi fisiche in modo intrin-
seco, anche se la cosa non piaceva al grande Alberto. Gli esperimenti condotti nell’arco degli
ultimi trent’anni hanno mostrato che certe misure di correlazione sono incompatibili con una
impostazione probabilistica in senso tradizionale (disuguaglianze di Bell ). Non ci occuperemo
di probabilità in ambito quantistico.
Una seconda osservazione è che la ragione per cui un numero sempre crescente di fisici si sono
occupati di tecniche probabilistiche sta nel fatto che queste tecniche si rivelano molto potenti
e permettono di sviluppare algoritmi di calcolo per la soluzione di problemi che di per sé non
hanno nulla di aleatorio∗ . Ciò è dovuto a particolari coincidenze per cui la soluzione di certe
equazioni di↵erenziali (ad es. l’equazione di Laplace) è equivalente alla soluzione di problemi
di “camminate aleatorie” (random walk, RW per brevità). In molte situazioni è più agevole
simulare un RW piuttosto che risolvere una complicata equazione alle derivate parziali.
Bibliografia ragionata. Normalmente la bibliografia si dà alla fine. Tuttavia è giusto citare
subito le fonti per queste lezioni. Mi sono basato sull’agile testo di Rozanov [Roz69], ricco di
esempi. Come esercizi iniziali consiglio il libretto di Mosteller [Mos65], con esempi tratti dalla
vita di tutti i giorni (più o meno). Un ottimo trattato di riferimento è [PR69]. A un livello più
elementare [Gne79]. Inoltre sulla collezione [Wax54] si trovano lavori originali che hanno fatto
la storia della applicazione di concetti di probabilità alla teoria fisica (Chandrasekhar, Ornstein-
Uhlenbeck, Kac). Il testo di Kac [Kac59] è molto avanzato dal punto di vista matematico
e presenta la connessione con la probabilità quantistica. Le problematiche connesse al ruolo
della probabilità in fisica quantistica sono presentate in molti testi di meccanica quantistica.
Il libro di Bell [Bel87] contiene una raccolta di scritti del fisico irlandese, alla base di molti
sviluppi recenti. Ma una presentazione per non specialisti si può trovare utilmente nel libro di
Penrose [Pen89], edizione italiana [Pen97]. Il trattato di Feller [Fel68] costituisce il riferimento
standard per la teoria delle probabilità e permette di approfondire tutti gli argomenti coperti
in queste lezioni. Per le connessioni tra probabilità, random walk e teoria quantistica dei campi
si può consultare [ID89], primo volume. Un altro testo ricco di idee, esempi, problemi e che
presenta un approccio originale alla teoria della probabilità è il libro di Backlawski, Cerasoli e
Rota [BCR84].
Convenzioni adottate nel testo. Utilizziamo i simboli standard di teoria degli insiemi � (unio-
ne), � (intersezione), � (insieme vuoto). Il complementare di un sottoinsieme è indicato con
� A = {! ∈ ⌦�! ∉ A}.
5.1. La definizione matematica di probabilità

La Teoria della Probabilità si è sviluppata come teoria matematica a partire da Pascal e
Laplace; successivamente Poincaré e altri matematici del XX secolo hanno dato un impulso
notevole e oggi la teoria è una branca della matematica con agganci all’analisi matematica, al-
l’analisi funzionale, alla geometria, alla teoria della misura etc. Gli elementi sono molto semplici.
Si introduce lo spazio degli eventi costituito da un insieme ⌦ i cui elementi sono detti eventi
elementari. Ad ⌦ si applicano le definizioni caratteristiche della teoria degli insiemi, che nella
sua forma elementare daremo per scontata. Ad ogni evento elementare ! ∈ ⌦ si attribuisce
∗
In una prima versione era scappato un “causale” anziché “casuale”, il che induce a utilizzare preferibilmente
il termine proveniente dal Latino.
174
5.1. LA DEFINIZIONE MATEMATICA DI PROBABILITÀ
un numero non-negativo P(!) che verrà definito la probabilità di !. In sintesi la definizio-

ne assiomatica di probabilità è data da una tripletta di oggetti P = {⌦, ⌃, P}, detta spazio di
probabilità, cosı̀ specificati:
i) ⌦ è un insieme di oggetti detto lo spazio degli eventi elementari

ii) ⌃ è una famiglia di sottoinsiemi di ⌦, detti eventi
iii) P è una misura su ⌃, ossia una funzione P ∶ ⌃ � [0, 1], detta misura di probabilità
L’insieme ⌦ può essere costituito da un insieme finito (le facce di un dado), infinito nume-
rabile (i punti di un reticolo cristallino), da una varietà geometrica (ad es. un segmento di R,
una regione piana in R2, una qualunque superficie S, un dominio in Rn, etc.). I sottoinsiemi
che costituiscono ⌃ devono essere misurabili, cioè per ogni ∈ ⌃ è definito il valore 0 ≤ P( ) ≤ 1.
Vengono assunti alcuni assiomi che caratterizzano uno spazio di probabilità.
a) ⌃ è chiusa sotto operazioni di unione e intersezione, anche in successioni infinite.

b) P( 1 ∪ 2) = P( 1)+P( 2) se 1 ∩ 2 = � (l’insieme vuoto), e più in generale P(�i i) =
∑i P( i) se gli eventi i sono a due a due disgiunti ( i ∩ j = �, ∀(i, j))
c) P(�) = 0, P(⌦) = 1
Problema 5-1. Dopo avere mescolato accuratamente un mazzo di 32 carte (composto da

7 ∶ 10, J, Q, K, A in 4 semi diversi ♡♣♢♠), si distribuiscono le carte a quattro giocatori di poker.
Qual’è la probabilità che il primo giocatore abbia un poker servito?
Soluzione. Ci sono �32 �

5 = 201376 possibilità per il primo giocatore, (un evento elementare
corrisponde a una mano qualunque di 5 carte) e non è consigliabile elencarle qui tutte per contare
quante contengono quattro carte uguali; in e↵etti la cosa si può fare utilizzando un computer:
si costruiscono esplicitamente tutte le possibili mani e si conta quante di queste contengono
un poker (vedi il programma matlab). Tuttavia una enumerazione completa è impensabile già
per problemi di poco più complicati. Fortunatamente talvolta si può utilizzare un argomento
combinatorio, cosı̀ com’è per le combinazioni del gioco del poker: in un poker servito la carta
diversa dalle altre può essere scelta in 32 modi di↵erenti, e per ogni scelta sono possibili 7 modi
per fare poker. Dunque la probabilità, come rapporto tra i casi favorevoli e i casi possibili, è
data da 32 × 7��32 �
5 = 1�899, cioè poco più di un caso su mille. E infatti è ritenuto fortunato
un giocatore cui si presenti questa circostanza durante la serata. In generale per n carte diverse
si ha prob(poker) = 5��4n−1 3
� (lasciamo la dimostrazione per esercizio). Vogliamo invece ora
a↵rontare il problema attraverso una simulazione, anche se conosciamo già la risposta, giusto
per introdurre qualche idea di base.† Avendo a disposizione un calcolatore e un linguaggio come
matlab possiamo simulare un numero arbitrario di smazzate e contare in quanti casi si presenta
un poker servito.
†
Ogni problema di probabilità legato al poker è ampiamente trattato in letteratura. Ad es. si può chiedere
a Wikipedia: http://en.wikipedia.org/wiki/Poker probability.
175
Probabilità 5.1
poker.m
1 function p=poker(nC, N)
2 % Random draws from a deck of nC different cards in 4 suits
3 % p returns the number of pokers served to the first player
4 % in N shuffles
5 % Usage:
6 % p=poker(nC, N)
7 % default: nC=9, N=5000; nC should not exceed 13.
8
9 if nargin<2, N=5000; end
10 if nargin<1, nC=9; end % nine cards 6-10,J,Q,K,A
11 if(nC>13),disp(’nC should be <= 13; setting nC=13’); n=13;end
12 C=1:nC;
13 M=sort([C,C,C,C]); % 4 suits
14 p=0;
15 for j=1:N
16 G=M(randperm(4*nC));
17 G=sort(G(1:5));
18 if(G(1)==G(4)||G(2)==G(5))
19 p=p+1;
20 end
21 end
Note: M contiene quattro copie identiche (il colore è qui irrilevante) di nC carte; randperm al rigo 15 mescola
il mazzo, le prime cinque carte, per sempicità vengono date al primo giocatore (contrariamente all’uso, ma agli
e↵etti statistici è irrilevante) e si controlla, una volta messe in ordine crescente, se le prime quattro o le ultime
quattro sono uguali, nel qual caso scatta il contatore p ← p + 1. Il risultato permette di valutare oltre il valore
atteso (valore medio), anche la fluttuazione del fenomeno, cioè di quanto il numero osservato in ogni simulazione
si scosti dal valore medio. La figura che segue presenta attraverso un istogramma il risultato di 200 partite ognuna
con 1000 smazzate. L’istogramma è confrontato con una distribuzione di Bernoulli ‡ con valore medio 1000/899. Il
metodo è denominato “MonteCarlo” e sarà illustrato un po’ più in generale nel cap. 5.3.4. Il valor medio calcolato
sugli eventi simulati risulta 1.17 non molto lontano da quello esatto. Tuttavia si noterà che abbiamo utilizzato un
numero di eventi simulati dell’ordine di grandezza dell’intera popolazione. I casi in cui è vantaggioso e↵ettuare
una simulazione sono quelli in cui lo spazio degli eventi è molto grande e il campione è scelto in modo mirato ma
di dimensioni molto più piccole. ◁
Esempio. L’insieme ⌦ sia dato dai giorni dell’anno; la famiglia ⌃ è data da tutti i possibili
sottoinsiemi di giorni dell’anno, ad es. i giorni dispari, oppure le domeniche, etc. Una misura di
probabilità è una funzione che associa un numero reale positivo o nullo a ogni giorno dell’anno,
con la condizione che la somma dia uno. Ogni particolare fenomeno casuale che sia associato
ai giorni dell’anno è associato a una particolare misura. Se ci chiediamo “qual’è la probabilità
che in un certo periodo dell’anno la temperatura media superi i 300C”, la risposta dipenderà
da tanti fattori non controllabili che si dovrà per forza di cose basare la stima sulla statistica
degli anni precedenti. Più che di probabilità, in questo caso, si parlerebbe di inferenza statistica.
Questo genere di problemi non saranno trattati in queste lezioni, per quanto siano della massima
importanza in svariati campi. ◁

Si vedano prima di proseguire i primi esempi nella sezione Problemi a pag.205.
L’applicazione dello schema astratto di “spazio di probabilità” a problemi concreti (in Fisica
o in qualunque altro contesto) si basa sull’assunto che gli eventi elementari di ⌦ siano associati
‡
Diamo per scontato che il lettore conosca le distribuzioni statistiche elementari, Gauss, Cauchy, Bernoulli-
binomiale, Poisson. Un richiamo si trova in Appendice.
176
5.1. LA DEFINIZIONE MATEMATICA DI PROBABILITÀ
Frequenza di un poker servito con 7−8−9−10−J−Q−K−A

80
70
60
50
frequenza
40
30
20
10
0
0 1 2 3 4 5 6 7 8
n poker su 1000 smazzate per 200 partite
Figura 5-1. Una partita a poker simulata.
ad eventi che si possono osservare e registrare e su cui è possibile e↵ettuare rilevazioni statistiche.
Se in una serie di osservazioni l’evento ! è osservato n(!) volte su un totale di N, il nostro
modello probabilistico dovrà essere in grado di prevedere che
≈ P(!)
n(!)
N
La questione dell’applicabilità di questi concetti a situazioni reali passa attraverso la precisazione
del significato del simbolo ≈. Ci si aspetta che la frequenza n(⌦) e la probabilità P(!) tendano
n(!)
a coincidere quando il numero di eventi sia sufficientemente grande. Quest’idea si realizza nei
vari teoremi “dei grandi numeri”. Attenzione però che ci sono pochi concetti quali la legge dei
grandi numeri ad essere maggiormente travisati dai non esperti, come vicende legate al Lotto
dimostrano ampiamente.
5.1.1. La formula di inclusione/esclusione. Siano A1, A2, ..., AN sottoinsiemi dello spa-
zio degli eventi ⌦. Ci si chiede qual’è la probabilità che si realizzi un evento contenuto in uno
qualunque dei sottoinsiemi? La risposta P(∪iAi) = ∑N i=1 P(Ai) è ovviamente a↵etta da errore se
?
gli eventi non sono a due a due disgiunti. Viene spontaneo correggere la formula compensando
per le intersezioni
(?) P(∪iAi) ? = � P(Ai) − � P(Ai ∩ Aj)

i i>j
ma anche questa formula non funziona se esistono triple intersezioni Ai ∩ Aj ∩ Ak. La risposta
corretta è data dalla formula di inclusione/esclusione ([Roz69] (Teor.2.2), [Poi12] (pag.59); si
177
Probabilità 5.1
veda [Sta99] per un punto di vista più ampio)

P(∪iAi) = � P(Ai) − � P(Ai ∩ Aj)+
i i>j
(5.1) � P(Ai ∩ Aj ∩ Ak) + ...+

i>j>k
− (−1)n � P(Ai1 ∩ Ai2 ∩ ... ∩ Ain )

i1 >i2 >...>in
Dimostrazione: consideriamo un evento elementare che non appartenga ad alcun sottoinsieme

Ai: nella formula questo pesa giustamente per zero. Se un evento elementare appartiene a k tra
gli Ai nella formula esso contribuisce con un peso
k
� � − � � + � � + ... = − �(−)j� � = 1 .
k k k k
1 2 3 j=1 j
Il risultato risale a Poincaré, [Poi12] �
Figura 5-2. Estratto da Poincaré, Calcule des Probabilités
5.1.2. Probabilità condizionata. Quanto è influenzato l’evento A ⊂ ⌦ dal verificarsi di

un altro evento B? Ad es. se B ⊂ A ovviamente A si verifica sempre in seguito a B, mentre se
A ∩ B = � i due eventi non possono verificarsi entrambi, e si diranno incompatibili. Si definisce
allora la probabilità condizionale di A dato B secondo la formula
P(A ∩ B)
P(A�B) ≡
P(B)
.
Supponiamo che la collezione di eventi B = {Bj�j = 1, ..., n} sia caratterizzata dal fatto che
per ogni coppia Bj ∩ Bk = � e inoltre �n
k=1 Bk = ⌦. B si dice un insieme completo di eventi e
vale la relazione generale
n
(5.2) P(A) = � P(A�Bk) P(Bk) .
k=1
178
5.2. VARIABILI ALEATORIE
Si noterà la somiglianza formale con la formula che esprime lo sviluppo di uno stato quan-
tistico su una base
� � = � �n� �n� �
n
ma la di↵erenza sta nel fatto che in teoria delle probabilità si compongono i valori di P, non le
ampiezze.
5.1.3. La formula di Bayes. Se B1, B2, . . . , Bn è un insieme completo di eventi incompa-
tibili tra loro allora vale la formula
P(Bk) P(A�Bk) P(Bk) P(A�Bk)
P(Bk�A) = = n
P(A) ∑k=1 P(Bk)P(A�Bk)
La formula precedente, pur essendo una conseguenza immediata della definizione di proba-
bilità condizionata, può risultare utile. Si veda il Probl. 9.
5.1.4. Indipendenza statistica. Se P(A�B) = P(A), ciò significa che la conoscenza del-
l’avverarsi dell’evento B non ha alcuna influenza sulla nostra aspettativa relativamente ad A. Si
dice allora che A e B sono statisticamente indipendenti. Esplicitamente la condizione suona cosı̀
P(A ∩ B) = P(A) P(B) .
La relazione di indipendenza statistica è dunque simmetrica. In generale, dati n eventi
A1, A2, . . . , An, questi si dicono mutuamente indipendenti se per ogni combinazione di indici
e ogni k, (2 ≤ k ≤ n),
P(Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) = P(Ai1 ) P(Ai2 ) . . . P(Aik )
Un esempio di eventi che sono indipendenti a due a due ma non mutuamente è il seguente: nel
lancio di due dadi, A={il primo dado dà un numero dispari}, B={il secondo dado dà un numero
dispari}, C={la somma dei dadi è dispari}. Si trova P(A) = 1�2, P(B) = 1�2, P(C) = 1�2. Ora si
verifica facilmente che P(A ∩B) = 1�4, P(A ∩C) = 1�4, P(B ∩C) = 1�4; tuttavia P(A ∩B ∩C) = 0!
Dunque i tre eventi non sono mutuamente indipendenti.
5.2. Variabili aleatorie

Dato uno spazio di probabilità (⌦, P) si definisce variabile aleatoria (random variable) una
funzione a valori reali
X∶⌦→R
La funzione P(x < X < x ) è detta distribuzione di probabilità della v.a. X. Le variabili aleatorie
′ ′′
costituiscono delle coordinate che permettono di individuare gli eventi di ⌦ in modo simile alle
coordinate che si utilizzano in geometria. Ad es., l’evento rappresentato dall’estrazione di un K♡
può essere messo in corrispondenza con una variabile aleatoria a valori interi nell’intervallo [1−32]
e il re di cuori corrisponde al valore 7. Avendo valori reali, le variabili aleatorie ammettono tutta
una serie di operazioni aritmetiche che hanno un significato probabilistico/statistico. Vediamo
alcune di queste operazioni.
Se X è una v.a., si definisce il valore di aspettazione (o valore medio)
M[X] = � X(!) P(!) .
!∈⌦
Inoltre come è familiare dalla statistica, si definisce la varianza
D[X] = M[(X − M[X]]2
e la skewness
S[X] = M[(X − M[X])3]�D[X]3�2
che dà una misura della asimmetria della v.a.
179
Probabilità 5.2
5.2.1. Funzione di distribuzione. Per ogni variabile aleatoria si definisce la funzione di

distribuzione (f.d.d.) attraverso la formula
(x) = P(X < x] .
La f.d.d. è non–decrescente. Vediamo alcuni esempi:
Esempio. [Bernoulli] La distribuzione di Bernoulli è la più semplice possibile. Lo spazio
degli eventi ha solo due elementi !1 e !2 con P(!1] = q, P(!2] = p; p e q sono non negativi e
a somma uno. Una variabile aleatoria si può definire con X(!1) = 0, X(!2) = 1. Più in generale
si può considerare lo spazio di probabilità consistente in n bits b1, b2, ..., bn, statisticamente
indipendenti, ognuno dei quali possa assumere il valore 0 o 1 con probabilità q e p, p + q = 1;
si definiscano le variabili Xi in modo che Xi(b1, b2, ..., bn) = bi; possiamo pensare alle Xi come
il valore dei bit in un banco di memoria a n bit. La funzione di distribuzione di ogni Xi è
semplicemente
�
�
�q 0 ≤ x < 1
(x) = �
�
� 1 x≥1.
�
◁
La funzione di distribuzione congiunta per due variabili aleatorie si definisce attraverso la
relazione
(x, y) = P({X < x} � {Y < y})
e in generale questa definizione si estende in modo naturale a un numero qualunque di variabili
aleatorie. Si vedano altri esempi in Appendice. Nota la f.d.d., il valore di aspettazione è
calcolabile attraverso l’integrale
∞
M[X] = x d [x] .
ˆ
−∞
Questa definizione si applica sia a variabili discrete (come Bernoulli o Poisson) sia a variabili
continue (come Gauss). Il significato del di↵erenziale nella formula precedente è da interpretare
nel senso delle distribuzioni (più precisamente l’integrale è nel senso di Stieltjes). In molti casi
si trova che la f.d.d. per una v.a. continua può essere rappresentata attraverso una densità di
probabilità, ossia
x
[x] =
ˆ
⇢(y) dy
−∞
(è la densità ⇢ ad es. che è collegata in meccanica ondulatoria alla funzione d’onda attraverso
la relazione di Born ⇢ = � �2).
5.2.2. Funzione generatrice. Sia X una v.a. a valori interi. Consideriamo l’espressione
F(z) = M[zX] = � pi zi .
i
essendo pi = P(X = i). Si tratta di un polinomio nella variabile z che contiene in sè ovviamente
tutte le informazioni su X. Ad es. si avrà
M[X] = � i pi = F ′ (1)
i
D[X] = M[(X− < X >)2] = F ′′ (1) + F ′ (1) − F ′ (1)2 .
La funzione F viene chiamata funzione generatrice della v.a. X. Per variabili a valori continui si
utilizza comunemente una definizione un po’ di↵erente
F(t) = M[eitX] = eitxdP(x) = ⇢(x) eitx dx .

ˆ ˆ
180
5.2. VARIABILI ALEATORIE
dalla quale si ottiene immediatamente

M[Xk] = F(k) (0)
e cioè lo sviluppo in serie di Taylor della funzione generatrice F(t) ha come coefficienti tutti i
momenti della distribuzione (divisi per k!).
5.2.3. Variabili indipendenti. Il concetto di indipendenza statistica si estende in modo

naturale alle variabili aleatorie. Siano X e Y variabili aleatorie definite sulla stesso spazio di
probabilità; si dirà che esse sono statisticamente indipendenti se ciò è vero per tutti i sottoinsiemi
X < x e Y < y. In concreto ciò equivale a dire che la f.d.d. congiunta è fattorizzata:
(x, y) = (x) (y)
Un indicatore importante per due variabili aleatorie è la loro correlazione definita attraverso
(5.3) C(X, Y) = M[X Y] − M[X] M[Y]
Se X e Y sono indipendenti si ha ovviamente C(X, Y) = 0.
Esempio. Due variabili gaussiane sono definite del tutto in generale dalla f.d.d.
ˆ x ˆ y
(x, y) = N exp{−↵x2 − y2 + 2 x y} .
−∞ −∞
�
dove la costante N è fissata in modo che → 1 per x → ∞, y → ∞. (Si ha N = ↵ − 2�⇡,
con la condizione che 2 < ↵ ). Si calcoli la covarianza C(X, Y) e si dimostri che essa risulta
proporzionale a . ◁
5.2.4. Somma di variabili aleatorie. Le v.a. si possono manipolare come le funzioni

reali dell’analisi matematica. Molto spesso si trova necessario sommare v.a.: ad es. il risultato
del lancio di due dadi coincide con la somma di due v.a. D1 e D2: siamo abituati a considerare
le facce del dado identificate con il numero corrispondente, ma concettualmente il numero è una
variabile aleatoria che identifica la faccia corrispondente, cosı̀ come la coordinata cartesiana x
non è il punto geometrico ma misura la sua distanza da un punto fisso. Ora la somma D1 + D2
assume valori nell’insieme 2, 3, ..., 12. La sua f.d.d. si determina facilmente:
�
� x≤2
�
�
�
0
�
�
�
�
�1�36 2 < x ≤ 3
�
�
�
�3�36 3 < x ≤ 4
(x) = �
�
�
�
�
...
�
�
�
�
�35�36 11 < x ≤ 12
�
�
�
�
�1 12 < x
In generale la f.d.d. per la somma X + Y è definita da
X+Y (z) = P(X + Y < z) .
Per v.a. indipendenti la formula si può calcolare in modo esplicito. Consideriamo il caso discreto,
come nel caso del lancio dei dadi. Sia p(n) = P(Di = n) = 1�6; si ha ovviamente
6 6 6
P(D1 + D2 = n) = � p(i) � p(j) i+j=n = � p(i)p(n − i) = (p � p)(n)
i=1 j=1 i=1
ossia la funzione di probabilità della somma di v.a. indipendenti è data dalla convoluzione delle
rispettive funzioni di probabilità. In nodo analogo si trattano le v.a. a valori continui.
181
Probabilità 5.2
Possiamo ora apprezzare l’utilità della definizione di funzione generatrice. Si trova che la
f.g. per la somma D1 + D2 è data da
F12(z) = � pipjzi+j = F(z)2 ;
i,j
ossia la f.g. per la somma di v.a. indipendenti si ottiene moltiplicando le funzioni generatrici
degli addendi. Ciò costituisce una bella facilitazione!
Problema 5-2. Considerare le v.a. Xi di Bernoulli. Ogni Xi ha una f.g. data da
F(z) = q + p z .
Calcolare la f.g. per la somma di n variabili di Bernoulli indipendenti, e dedurne il valor medio
e la varianza.
Soluzione. Si ha immediatamente Fn(z) = (q + p z)n e dunque
′
M[� Xi] = Fn [1] = n p
′′ ′ ′
D[� Xi] = Fn (1) + Fn (1) − (Fn (1))2 = n(n − 1)p2 + np − (np)2 = n q p
◁
5.2.5. La legge dei grandi numeri. Sotto questa denominazione vanno numerosi risultati
che riguardano valori asintotici di distribuzioni di probabilità quando il numero di gradi di libertà
tende all’infinito. L’idea generale è quella della meccanica statistica; un sistema costituito da un
numero molto grande di particelle in debole interazione può essere studiato facilmente sfruttando
le semplificazioni che si presentano nel limite di infinite particelle. Per variabili aleatorie un
caso importante è quello della somma di un grande numero di v.a. indipendenti e tutte con
la medesima distribuzione di probabilità. L’esempio più semplice è quello della variabile di
Bernoulli X = ∑ Xi. La sua funzione generatrice è semplicemente (q + pz)n. Il valore medio è
dato da np quindi conviene considerare la v.a. centrata X − M[X], a media zero. Tuttavia non è
ancora possibile prendere esplicitamente il limite n → ∞ in quanto la deviazione standard vale
nqp e cresce indifinitivamente. Si può allora considerare la v.a. normalizzata
X − M[X]
(5.4) ⌘= �
D[X]
che ha perciò media zero e varianza uno. Calcoliamo la sua funzione generatrice nella forma
adatta per una distribuzione continua
−i √npt
F⌘(x) = M[eit⌘] = e ].
it √nXp q
(5.5) npq M[e
Adesso però possiamo utilizzare la formula che riduce il calcolo alla potenza n−esima della f.g.
per una singola v.a.:
−i √npt
n
F⌘(x) = e �q + pe �
i √npq
t
(5.6) npq
� p � q
−i qn −i pn
n
= �q e + pe �
t t
(5.7)
Osserviamo ora che, nel limite n → ∞, la funzione F⌘ ammette un semplice sviluppo asintotico
che si ottiene sviluppando le funzioni esponenziali:
n
t2
(5.8) F⌘ = �1 − + O(n−3�2)�
2n
e pertanto al limite n → ∞ la f.g. si riduce a una distribuzione normale di Gauss. Abbiamo
ricavato un risultato, noto come legge dei grandi numeri, o teorema si DeMoivre-Laplace, secondo
182
5.3. PROCESSI ALEATORI
Verifica del teorema di DeMoivre

1
0.9
0.8
0.7
0.6
i/m
0.5
0.4
0.3
0.2
0.1
0
!3 !2 !1 0 1 2 3 4
X
Figura 5-3. De Moivre: legge dei grandi numeri, istogramma con erfc() sovrapposta
cui la somma ⌘ definita nell’Eq. (5.4) nel limite di n molto grande è ben descritta da una
distribuzione normale. Il risultato è molto generale. Non dipende dalla natura dettagliata della
distribuzione di probabilità della singola Xi. Il risultato vale anche, sotto opportune restrizioni,
nel caso in cui la distribuzione di Xi possa dipendere da i. Si veda [Roz69]. Il programma
demoivre.m dimostra attraverso una simulazione lo stesso risultato. Si costruisce una matrice
di 0 e 1 distribuiti secondo Bernoulli e la somma sulle colonne corrisponde alla v.a. X. Si
analizza l’istogramma e si può controllare di quanto di↵erisce da una distribuzione normale in
funzione delle dimensioni dell’esperimento. In Fig.5-3 la lineaćontinua è data√dalla funzione
erf(), che riproduce la distribuzione Gaussiana (cumulata), cioè −∞ exp{− 12 y2}� 2⇡. I risultati
x
della simulazione siano X1, X2, ..., Xi, ..., Xm, ordinati in modo crescente, vengono riportati sul
diagramma sull’asse delle ascisse e sulle ordinate si riporta l’indice scalato (i�m).
5.3. Processi aleatori

5.3.1. Catene di Markov discrete. Iniziamo a studiare le probabilità in un contesto
dinamico. Partiamo da un esempio classico, il modello di Ehrenfest. Ci sono due urne che
contengono complessivamente N palle, ciascuna identificata da un numero progressivo. Con
cadenza regolare si estrae un numero a caso tra uno e N, e la palla che corrisponde al numero
estratto passa dall’urna in cui si trova all’altra. Fissata la condizione iniziale (ad es. tutte le
palle sono concentrate in una stessa urna), si tratta di determinare la probabilità P(n, t) di
trovare nella prima urna n palle all’istante t. Questo modello è rappresentativo di un’intera
classe di modelli, denominati catene di Markov. L’aspetto essenziale del modello è costituito
dal fatto che per una situazione nota all’istante t il futuro non dipende da quello che è successo
prima di t. Il processo è determinato da una singola funzione P(n, t + 1�m, t) che rappresenta
la probabilità di trovare lo stato n al tempo t posto che lo stato sia m all’istante precedente.
Questa funzione è detta probabilità di transizione. Per il modello di Ehrenfest si trova
�
� �n − m� > 1
�
�
�
0
(5.9) P(n, t + 1�m, t) = �m�N m=n+1 .
�
�
�
�
�1 − m�N n=m+1
183
Probabilità 5.3
Si può rappresentare la probabilità di transizione con una matrice N × N, Mnm = P(n, t +

1�m, t). Per fissare le idee, se N = 5 si trova
�0 1�5 0 0 0 0�
�1 0 2�5 0 0 0�
�0 4�5 0 3�5 0 0�
� �
M=� �
�0 0 3�5 0 4�5 0�
� �
�0 0 0 2�5 0 1�
�0 0 0 0 1�5 0�
Si nota che la matrice è caratterizzata dal fatto che ogni elemento di matrice è non–negativo
(deve rappresentare una probabilità) e inoltre la somma degli elementi di matrice su ogni colonna
vale esattamente uno. Questo vale in generale: ogni matrice che rappresenta la probabilità di
transizione di una catena di Markov deve soddisfare queste condizioni e viene chiamata matrice
stocastica.
(5.10) Mij ≥ 0, � Mij = 1 .
i
�
Se consideriamo la matrice trasposta M la condizione (5.10) implica che il vettore con tutte
componenti uguali a uno è autovettore con autovalore uno. Dunque det(1 − M� ) = 0, ma
il determinante di una matrice è uguale a quello della trasposta, dunque anche M ammette
l’autovalore uno. Inoltre si può vedere che tutti gli autovalori di M devono essere localizzati nel
disco di raggio uno. Ciò discende dal teorema di Gershgorin ([QRF00], riportato in Appendice).
La matrice M permette di calcolare il vettore di probabilità ad ogni tempo t (intero) secondo
la semplice formula
p(t) = Mt p(0) .
Ammettiamo che M sia diagonalizzabile § . Allora vale la decomposizione spettrale
M= � P
∈ (M)
e quindi
Mt = �
t
P .
∈ (M)
Per tempi molto grandi gli autovalori in modulo inferiori a uno decadono esponenzialmente e
sopravvivono solo quelli in modulo uguali a uno. L’autovalore uno esiste sempre; caso per caso
possono esistere altri autovalori ei . Si avrà allora
p(t) ∼ P1p(0) + � ei tPei p(0) .
t→∞
I termini oscillanti si mediano a zero e quindi il processo tende al limite rappresentato dall’au-
tovettore appartenente all’autovalore uno, che rappresenta la distribuzione stazionaria. Sotto
condizioni più restrittive gli autovalori di M sono interni al cerchio unitario, ad eccezione del sin-
golo autovalore uno, e quindi la convergenza del processo è assicurata indipendentemente dalla
media temporale. Queste condizioni sono enunciate nel teorema di Perron–Frobenius riportato
in appendice (si veda [Var62, Gan59]).
Problema 5-3 (Random walk). Si consideri il random walk in una sola dimensione. Il
sistema comporta infiniti stati e quindi l’analisi non può basarsi su quanto detto finora, in
particolare i teoremi di Perron e Frobenius non sono applicabili. Dunque è necessario studiare il
problema con metodi ad hoc. Si ha Pnm = 12 ( n,m+1 + m,n+1). Il calcolo della potenza t − esima
§
Quello che è noto in generale sullo spettro di una matrice stocastica irriducibile è che gli autovalori di modulo
uno si identificano con le radici dell’unità per un qualche intero r e sono semplici. Per gli autovalori di modulo
inferiore a uno non si ha una descrizione cosı̀ precisa.
184
di P si risolve con la trasformata di Fourier. Infatti se consideriamo il vettore (k)n = exp{ink}

si verifica immediatamente che
Pnm (k)m = cos k (k)n
Un qualunque vettore un si può rappresentare attraverso lo sviluppo di Fourier:
ˆ ⇡
un = c(k) (k)n
dk
−⇡ 2⇡
∞
c(k) = � (−k)n un
n=−∞
e nel caso che si parta dal vettore iniziale un = n,j, per un dato j, si avrà c(k) = (−k)j.
Troviamo allora che l’applicazione di P è data semplicemente da
ˆ ⇡
(Ptu)n = (−k)j (k)n (cos k)t
dk
−⇡ 2⇡
e quindi per l’elemento j → j vale l’espressione
ˆ ⇡
(Pt)jj = (cos k)t
dk
.
−⇡ 2⇡
La funzione generatrice Gj(s) (dall’Eq.(5.2)) è quindi
ˆ ⇡
s cos k dk
(5.11) Gj(s) =
−⇡ 1 − s cos k 2⇡
Il calcolo o↵re
√
Gj(s) = √ − 1, Fj(s) = 1 − 1 − s2 .
1
1 − s2
Si ottiene allora che i) il camminatore ritorna con probabilità uno al punto di partenza e ii)
il tempo medio di ritorno è infinito (dato che la derivata in s = 1 diverge), un risultato dovuto
a G. Polya. La stessa proprietà vale per il random walk nel piano, mentre in dimensione tre o
superiore la probabilità di ritorno risulta inferiore a uno (si veda [ID89]). Si può infatti vedere
facilmente che l’integrale (5.11) diventa
dkn s ∑ cos ki
ˆ ⇡ ˆ ⇡
Gj(s) =
dk1
−⇡ 2⇡ n − s ∑ cos ki
...
−⇡ 2⇡
e la convergenza o divergenza dell’integrale per k piccolo (in gergo nell’infrarosso) si può decidere
anche senza calcolarlo esplicitamente. Ponendo s = 1, l’integrando presenta un polo del secondo
ordine a k = 0. Se n ≥ 3 l’integrale è finito, il che ´ implica che il camminatore ha solo una
probabilità finita di ritornare al punto di partenza ( k n−1
dk�k2 < ∞ per n ≥ 3).
Problema 5-4 (Il problema della coda al botteghino). Il problema a↵rontato nel Probl.5,
senza disporre di strumenti specifici, si può ricondurre al problema del random walk. Il numero
di biglietti da 5 euro presenti in cassa varia di ±1 esattamente come nel random walk in una
dimensione. Si tratta di valutare la percentuale di cammini che ritornano all’origine senza
mai passare per valori negativi. Si è visto che ad ogni cammino di questo tipo corrisponde
un cammino con due passi in più tale da non passare mai per lo zero prima dell’ultimo passo.
Quindi possiamo contare i cammini che ci interessano attraverso un problema di “primo ritorno”
all’origine. Abbiamo visto che la probabilità di ritornare per la prima volta all’origine dopo t
passi ha come funzione generatrice F(s), Eq. (5-3)
√ ∞
F(s) = 1 − 1 − s2 = 2 � � �(s�2)2n+2�(n + 1)
2n
n=0 n
185
Probabilità 5.3
da cui si deduce che la probabilità di tornare per la prima volta all’origine dopo 2(n + 1) passi
è uguale a 2−2n−1�2n n
��(n + 1). Tenendo conto che il ritorno all’origine può avvenire restando
sempre a valori positivi oppure negativi, e che ci sono in totale 22n+2 cammini lunghi 2n + 2, il
numero di cammini che si mantengono a valori positivi prima di tornare all’origine è �2n n
��(n+1)
e questo coincide, per quanto visto nel Probl. 5-4, al numero di cammini lunghi 2n che non
scendono mai sotto lo zero. Si noterà che ci sono diversi modi di impostare il problema della
coda: se sappiamo a priori che il numero di biglietti da 5 e da 10 euro sono uguali, allora la
probabilità è da conteggiare limitatamente ai cammini che comunque partono e arrivano a zero
in 2n passi; in questo caso la probabilità di “non-attesa” è appunto 1�(n + 1). Se invece non
abbiamo alcuna informazione sulla distribuzione dei biglietti il numero di cammini possibili è
√
dato da 22n. Dimostrare che in questo caso la probabilità di non essere costretti ad attendere, per
mancanza di resto, diminuisce di un ulteriore fattore 2−2n�2n �
n ≈ 1� ⇡n(1− 8n + 128n2 +O(n )).
1 1 −3
Problema 5-5. Un problema di campionamento che si può presentare spesso (pensiamo a

sistemi di controllo di qualità nei prodotti di qualunque tipo) è il seguente (da [Knu98], § 3.4.2):
supponiamo di avere un insieme di N oggetti da cui si vuole estrarre un campione di n � N
per controllo. Gli N oggetti però non sono disponibili subito allo stesso momento ma si rendono
disponibili nel corso del tempo (nei prossimi 30 giorni, ad es.), e tuttavia non è il caso di at-
tendere ad iniziare i controlli di qualità. Allora il problema è quello di selezionare il campione
senza introdurre bias di alcun genere. La prima idea, cioè selezionare l’m-esimo oggetto con
�
probabilità n�N si rivela poco soddisfacente: non c’è la sicurezza di avere esattamente n cam-
pioni, e la fluttuazione intorno al valore centrale può essere non trascurabile ( n (1 − n�N)).
Provare a trovare la soluzione e verificarla con una simulazione, prima di continuare.
Soluzione. La probabilità di selezione dipende da quanti campioni si sono già estratti: se
dopo 0 ≤ k < N estrazioni si sono già selezionati 0 ≤ c ≤ n campioni, allora all’estrazione
successiva si accetta l’esemplare con probabilità
n−c
P(n, N, c, k) =
N−k
.
L’idea è del tutto intuitiva: dopo k estrazioni e c esemplari prescelti si comincia di nuovo con
N � N − k e n � n − c. Questo garantisce che alla fine il numero di esemplari è precisamente
n; resta però da dimostrare che in questo modo ogni campione viene selezionato davvero a caso
(per esempio non si accumulano i campioni verso la fine della selezione). Il programma matlab
aiuta a decidere positivamente:
campioni.m
function X = campioni(n,N)
% Selezionare a caso n campioni da una popolazione di N elementi
X=[];
nc=n; % campioni ancora da estrarre
Nc=N; % esemplari residui
while nc>0,
if(rand < nc/Nc)
X=[X, Nc]; % ok selezionato un campione
nc = nc-1;
end
Nc=Nc-1; % rimangono Nc esemplari
end
5.3.2. Catene di Markov continue. Studiamo ora un’altra varietà di processi aleatori.
Sempre limitandoci a sistemi con un numero finito di stati possibili, esistono casi in cui la
probabilità pn(t) dipende da un parametro continuo t. Si pensi ad esempio a un insieme di
186
nuclidi radioattivi A1, A2, . . . , AN di cui si conosce il ritmo di decadimento i→j; la densità
pn(t) soddisfa l’equazione di↵erenziale
=− � n→m pn(t) + � m→n pm(t)

dpn
dt m≠n m≠n
che risulta della forma generale

= � Hn,m pm(t) .
dpn
dt m
Affinché questa equazione rappresenti un processo di Markov che conservi la probabilità totale
uguale a uno, la matrice H dovrà soddisfare un vincolo:
0=� = � Hn,m pm(t) .

dpn
n dt n,m
che è automaticamente soddisfatto se ∑n Hn,m = 0, cioè la somma degli elementi di ogni colonna
somma a zero. Si richiederà inoltre che gli elementi fuori diagonale Hn,m siano positivi (rappre-
sentano una probabilità di transizione nell’unità di tempo), mentre i termini diagonali devono
saldare il bilancio della colonna e quindi sono negativi.
5.3.3. Proprietà di convergenza. Si tratta di controllare le proprietà spettrali della ma-

trice H; infatti la soluzione p(t) = exp(t H) p(0) tenderà a un unico limite p(∞) se sono sod-
disfatte due condizioni: i) esiste un unico autovettore corrispondente all’autovalore zero e ii)
gli altri autovalori hanno parte reale negativa. Ora, la condizione che la somma sulle colonne
dia zero implica immediatamente che lo zero appartiene allo spettro (il vettore (1, 1, . . . , 1) è
autovettore sinistro), ma in generale esisteranno più autovettori, a meno che H non soddisfi l’ul-
teriore proprietà di essere irriducibile (in modo analogo alle matrici stocastiche del Cap. 5.3.1).
Per la seconda condizione, si può concludere del tutto in generale grazie al teorema di Gershgorin
(vedi 5.5). In base a questo teorema si ha infatti che lo spettro è contenuto nell’unione dei cerchi
Ci = {z ∈ C � �z − Hii� ≤ � �Hji� = �Hii� }
j≠i
Dunque ognuno dei cerchi Ci ha centro sull’asse reale negativo e passa per l’origine. In conclusio-
ne, detto h il massimo valore assoluto degli elementi sulla diagonale di H, lo spettro è compreso
nel cerchio di raggio h centrato in −h. Se consideriamo l’evoluzione infinitesimale
p(t + t) ∼ p(t) + t H p(t)
questa è equivalente a una catena di Markov con matrice di transizione
M = 1 + tH
a patto di scegliere un passo t sufficientemente piccolo, e precisamente t ≤ 1�h. Il problema è
quindi ricondotto a quello di catene discrete. Nel caso irriducibile, la distribuzione asintotica è
perciò sempre data dalla soluzione di H = 0.
Si noti che, viceversa, ogni catena di Markov discreta si può trasformare in un processo
continuo: per ogni salto della catena si introduca un certo numero nh (halt) di pause in cui il
processo si arresta; la decisione di arresto sia presa con probabilità nh�(nh + 1), ne segue allora
un processo governato da
pt+1 = (1 − r) pt + r M pt
avendo introdotto il “parametro di rilassamento” r = 1�(nh+1). È chiaro che se facciamo crescere
nh l’equazione tenderà a rappresentare un’evoluzione continua governata dall’equazione
= (M − 1) pt
dpt
dt
187
Probabilità 5.3
Si vede che la matrice M−1 è proprio una matrice a elementi positivi fuori diagonale e soddisfa la
condizione che la somma su ogni colonna si annulla. È quindi del tipo considerato nel paragrafo
precedente.
5.3.4. Il metodo MonteCarlo. Con il termine MonteCarlo si intende una vasta categoria
di tecniche e algoritmi che permettono di simulare numericamente un processo fisico (totalmente
o parzialmente) governato dal caso. L’interesse può risiedere nel processo stesso (ad es. si
vuole studiare la dinamica dei neutroni in un reattore) oppure il processo in sè è fittizio, non
rappresenta cioè una situazione fisica reale, ma il risultato dell’analisi statistica coincide con una
qualche grandezza collegata, questa sı̀, alla fisica. Ad es. lo studio di un sistema di meccanica
statistica in quattro dimensioni, pur non corrispondendo a un sistema fisica reale, permette di
calcolare grandezze che hanno un’interpretazione in termini di masse o ampiezze di transizione
in fisica quantistica. Le tecniche MonteCarlo nascono con i primi calcolatori elettronici, un nome
che ricorre molto di frequente (Metropolis) è quello di un collaboratore di Enrico Fermi e John
Von Neumann (si veda a proposito [Mal03]). Si deve in gran parte a Mark Kac l’intuizione
secondo cui lo studio di processi stocastici attraverso la simulazione numerica può fornire metodi
di calcolo per la meccanica quantistica.
Un problema tipico che si presenta è quello di generare successioni di stati individuati da
coordinate x1, x2, . . . , xn e che sono distribuiti a caso secondo una probabilità
P(x ∈ S) = e− H[x] .
1
ˆ
(5.12)
Z x∈S
Qui Z( ), detta la funzione di partizione, assicura la normalizzazione della distribuzione. Que-

sto problema è tipico per la meccanica statistica (classica). La generazione di una successione di
stati scelti in modo indipendente permette di valutare le varie medie statistiche (energia media,
magnetizzazione, etc.). Lo stesso schema è applicato in fisica quantistica (si veda [Reb83]). Da-
ta l’importanza di disporre di sistemi di calcolo affidabili che permettano di risolvere problemi
di questo genere (ad es. in teoria della interazioni forti ) si sono sviluppate varie tecniche che
vanno sotto il nome di Metropolis, Heat-bath, Langevin, Hybrid-MC. Questi argomenti interes-
sano più che altro lo specialista. In queste lezioni ci limitiamo a illustrare alcuni aspetti della
problematica. Si consiglia di consultare le lezioni di A. Pelissetto [Pel94] e di Sokal [Sok97]
per approfondire il tema.
5.3.5. Come realizzare successioni casuali. Il problema ridotto all’osso è il seguente.

Data una lista di eventi ⌦ = {"1, "2, . . . , "N} con probabilità p1, p2, . . . , pN, come si fa a generare
una successione di eventi che siano mutuamente indipendenti e distribuiti secondo la probabilità
P("i) = pi?
L’ingrediente essenziale per ogni algoritmo di simulazione è costituito da un generatore di
numeri (pseudo)-random distribuiti uniformemente nell’intervallo [0, 1). Ammetteremo di di-
sporre di questo ingrediente, presente in qualunque libreria matematica, con l’avvertenza che
non tutti i generatori hanno le stesse qualità. Non esistono in realtà generatori perfetti, che
soddisfino cioè alla condizione di uniformità e indipendenza statistica. Ogni generatore (ad es.
rand(), drand48() in C o analoghi in Fortran, rand() in Matlab, etc.) produce una successione
r1, r2, . . . , rn, . . . che innanzitutto è data da numeri in virgola mobile a precisione finita (usual-
mente 64 bit ossia 15 cifre) che quindi non possono riprodurre se non un sottoinsieme dei reali.
Ma la questione più grave è che, inevitabilmente, i numeri generati sono correlati. Molta cura
si è posta nel disegno di algoritmi che diminuiscano al di sotto di limiti accettabili questa corre-
lazione. Si veda [Knu98], Vol.II. Ammettiamo dunque di avere un buon generatore rand(), con
188
le precauzioni del caso.¶ Si tratta ora di trasformare la successione

r1, r2, . . . , rn, . . . → "i1 , "i2 , . . . , "ik , . . .
in modo da realizzare un campionamento (una simulazione) di (⌦, P). In genere serviranno
molte estrazioni di numeri casuali per costruire un esemplare in ⌦ (si pensi ad es. a una
distribuzione di punti in Rd, serviranno allora almeno d chiamate a rand()).
La prima idea è quella (poco efficiente) di organizzare una cascata di diramazioni del tipo
r = rand;
if r < p_1
return 1
else if r < p_1 + p_2
return 2
else if r < p_1 + p_2 + p_3
return 3
.....
end if
A parte la go↵aggine dello schema, appare evidente che il metodo risulta poco efficiente. Sarà
necessario in media e↵ettuare O(N) controlli logici per estrarre un singolo risultato. Una
formulazione più compatta è la seguente, ma è solo un miglioramento estetico:
q=cumsum(p)-p(N); % q=[0,p(1),p(1)+p(2),...,1-p(N)]
x=[];
for j=1:Nsample
r=rand;
x=[x; max(find(q<r))];
end
Il tempo di esecuzione per Nsample = 10000, N = 10 è dell’ordine di 1/2 sec. Descriviamo

ora un algoritmo che permette di estrarre un esemplare a caso con un numero di operazioni
O(1), il che abbassa drasticamente il tempo di esecuzione.
Problema 5-6 (Il problema dei portalettere). All’ufficio postale sono in giacenza L lettere
indirizzate a N diversi destinatari. Il Direttore assume N persone per risolvere rapidamente
il problema. A complicare le cose succede, com’è naturale, che le lettere non sono equamente
distribuite: `1 sono indirizzate a I1, `2 a I2, etc. Tuttavia per accordi sindacali ogni portalettere
deve al massimo visitare due indirizzi e la quantità di lettere deve essere rigorosamente la stessa
per tutti. Come fa il direttore ad assegnare le buste rispettando i vincoli sindacali?

Il problema si trova su [Knu98] (alias method).
Soluzione. Il metodo consiste nel suddividere ricorsivamente le buste secondo un principio
semplice: organizziamo gli indirizzi in ordine crescente di volume di posta, cioè ammettiamo che
`1 ≤ `2 ≤ . . . ≤ `N. Assegniamo `1 buste a P1. Se fosse `1 = ` saremmo nel caso banale, in cui tutti
gli indirizzi hanno lo stesso numero di buste - ma abbiamo escluso questo caso in quanto non
pone problema di sorta. Dunque abbiamo `1 < `. Allora P1 può prendersi anche ` − `1 buste, e la
scelta giusta è quella di prenderle con l’indirizzo IN, quello con il numero maggiore di buste. A
questo punto P1 è al completo e può partire. Restano N − 1 portalettere e (N − 1)` buste recanti
(N − 1) indirizzi (perchè il primo indirizzo è ormai completamente soddisfatto). Ma allora, una
volta rimessi in ordine gli indirizzi secondo `k crescenti ci ritroviamo al problema iniziale con N
diminuito di uno. Si applica la stessa strategia fino ad esaurire gli indirizzi (e i portalettere).◁
¶
Generatori di ottime qualità statistiche sono stati costruiti in tempi recenti (Lüscher, Mersenne Twister,
etc.). matlab implementa questi nuovi algoritmi.
189
Probabilità 5.3
È evidente che l’idea si può tradurre in un metodo per estrarre efficientemente un valore
i ∈ {1, 2, ..., N} con probabilità p1, p2, . . . , pN. Il problema si mappa su quello dei portalettere
con l’equivalenza pi = ì�L. Se al portalettere Pj spettano `j′ lettere per Ij si pone ⇡j = `j′ N�L.
Ad ogni portalettere viene assegnato un secondo indirizzo Ij′ . Avendo perciò a disposizione le
tabelle {⇡j, Ij′ � j = 1 ∶ N} si può definire cosı̀ un metodo per estrarre a caso dall’insieme {Ij} con
probabilità {pj}:
i) si estrae un numero intero j a caso tra 1 e N
ii) si estrae un numero reale r tra 0 e 1
iii) se r < ⇡j si sceglie Ij
iv) altrimenti si sceglie Ij′ (l’altro indirizzo)
Il metodo è noto come il metodo degli alias. Si veda [Knu98], vol.II, oppure [Pel94]. L’imple-
mentazione matlab si trova nel package accluso (KnuthAliasMethod). Si può utilizzare anche
per il caso di distribuzioni continue. A questo scopo si suddivide il campo di definizione in
tanti canali (bins) in modo che la scelta del canale viene e↵ettuata con il metodo degli alias e
all’interno del canale si approssima la distribuzione con una funzione lineare per la quale esiste
un algoritmo veloce. Il lavoro addizionale costituito dalla costruzione delle tabelle è ampiamen-
te ripagato dalla velocità dell’algoritmo (a patto che si lavori in assetto costante, cioè che la
distribuzione di probabilità sia sempre la stessa!).
5.3.6. MonteCarlo dinamico. Per le applicazioni recenti del MonteCarlo interessanti la

Fisica Teorica, il problema centrale consiste nel generare una successione casuale di configura-
zioni di fase per un sistema di meccanica statistica distribuite secondo la formula di Gibbs. In
sostanza si utilizza una catena di Markov irriducibile e, sperabilmente, con buone proprietà di
convergenza, per campionare i punti x ∈ S nello spazio delle fasi S e determinare cosı̀ una stima
dell’integrale di fase Eq.(5.12). Un algoritmo MC specifico consiste in una catena di Markov
con probabilità di transizione Px−>x′ , costruita in modo tale che la distribuzione di equilibrio
⇡(x ′ ) = ∑x ⇡(x) Px−>x′ sia data da ⇡(x) = exp{− H[x]}�Z( ). Concentriamo l’attenzione su un
particolare problema di meccanica statistica, quello di sistemi di spin distribuiti su un reticolo
spaziale. Un tipico esempio è il modello di Heisenberg: in ogni punto di un reticolo x ∈ Z3 è
definito un vettore unitario n(x) che rappresenta la direzione del momento magnetico µ = µn.
L’energia di interazione tra due dipoli magnetici decresce molto velocemente con la distanza,
quindi in una prima schematizzazione si considera che ogni magnete elementare interagisca solo
con i magneti più vicini (i primi vicini ) e l’energia totale assume perciò la forma
H(n) = −J � µ(x) ⋅ µ(y)

<xy>
essendo J una costante e la notazione < xy > viene a significare che la somma va estesa alle
coppie di primi vicini. In presenza di un campo magnetico esterno B all’energia va aggiunto
anche un termine − ∑x B ⋅ µ(x). Ora il valore di una grandezza fisica, quale la magnetizzazione,
è esprimibile attraverso un integrale del tipo
−1
�M(x)� = Z( ) � dµ(x)e−
ˆ
H(n)
µ(x) .
x∈Z3
In generale si desidera valutare il valor medio di una qualunque grandezza fisica, funzione
definita nello spazio delle fasi,
�O(µ)� = Z( )−1 � dµ(x)e−

ˆ
H(n)
O(µ(x)) .
x∈Z3
190
In casi speciali, per modelli più semplici, si è riusciti a trovare metodi per calcolare integrali
cosı̀ complessi per via analitica. Tuttavia, nella gran parte dei modelli interessanti, la via della
simulazione MonteCarlo rappresenta l’unica risorsa.
Sono stati concepiti vari metodi per realizzare questo obiettivo. Forse il più semplice con-
cettualmente q̀uello del cosiddetto “heat bath”. Nella sua forma più semplice il metodo consiste
nel visitare sequenzialmente tutti i punti del reticolo (in gergo una sweep e di volta in volta
determinare µ(x) come se fosse l’unica variabile dinamica (tutte le altre variabili si tengono
temporaneamente congelate). Dato che µ(x) interagisce solo con un numero limitato di pri-
mi vicini, lo spazio di probabilità è costituito dai punti della sfera con densità di probabilità
proporzionale a
6
exp{− J µ(x) ⋅ � µ(xk) − B ⋅ µ(x)}
k=1
dove xk indica i primi vicini di x.
A titolo di esempio, prendiamo un modello più semplice che basterà a chiarire l’idea. Il
modello di Ising prevede in ogni punto di un reticolo spaziale una variabile a due soli valori ±1,
essenzialmente una restrizione del modello di Heisenberg in cui si vincoli ogni magnete ad avere
la stessa direzione in modo che sopravvive come variabile solo l’orientazione. Se consideriamo
di più il caso di un reticolo piano il modello si riduce al seguente
(5.13) �O(µ)� = Z( )−1 � � e J ∑<xy> µ(x)µ(y))

O(µ(x)) .
x∈Z2 µ(x)=±1
Per un qualunque spin µ(x) i primi vicini sono quattro e per una data configurazione si
possono riscontrare le situazioni seguenti
+ + − + + − + + − −
+�+ +�− +�+ −�+ +�+ +�− +�− −�+ −�+ +�+ ......
+ + + + − + − − + −
più tutte le altre simili per un totale di 24. La probabilità di µ(x) dipende solo dalla somma
degli spin primi vicini; detta s(x) = J ∑y µ(y) �x−y�,1 la probabilità sarà data semplicemente
da
e±s(x)
P(µ(x)=±1) = s(x)
+ e−s(x)
.
e
La somma s(x) può assumere solo cinque valori di↵erenti, ed è quindi molto facile e rapido
assegnare a µ(x) un valore in accordo con questa formula. Si applica questa ricetta a tutti
gli spin successivamente e poi si ricomincia. Ovviamente è necessario limitare il sistema a
un numero finito di punti individuando una regione finita del piano. In gergo questo si dice
“fissare il cut–o↵ infrarosso”. Non è consigliabile e↵ettuare la sweep punto per punto, ma
conviene agire su un sottoreticolo di variabili disaccoppiate, ad esempio tutte quelle di posto
pari (somma delle coordinate) e in seguito quelle di posto dispari. Il problema si presta a
essere a↵rontato in parallelo. Un grande numero si sweeps sarà necessario per generare una
configurazione del modello non troppo correlata alla iniziale. Infatti certe configurazioni locali
tendono a mantenersi stabili: per grande gli spin tendono a favorire valori uguali tra primi
vicini (spin allineati) ed esiste perciò un tempo caratteristico per ogni modello che è necessario
attendere prima che la correlazione sia diminuita di un fattore 1�e - si considera cioè che la
correlazione avrà una dipendenza dal “tempo” della catena di Markov del tipo C(t, t ′ ) = exp(−�t−
t ′ ��⌧). Tanto più piccolo è ⌧, il tempo di autocorrelazione, tanto più efficiente sarà il processo
di generazione di configurazioni statisticamente indipendenti. Molto studio è stato messo nella
analisi e nello sviluppo di algoritmi nel tentativo di abbattere il tempo di autocorrelazione. È
un buon investimento, perchè un algoritmo che migliori l’efficienza rappresenta un risparmio
di tempo e/o di denaro. Per chi sia interessato a sviluppi recenti si consiglia di consultare i
191
Probabilità 5.3
Proceedings delle conferenze di Teorie di Gauge su Reticolo, che escono con cadenza annuale, in
particolare [Sok91].
5.3.7. Equazione di Langevin. Con il lavoro di Parisi e Wu [PW81] i metodi delle

equazioni di↵erenziali stocastiche (EDS) entrano a far parte della cassetta degli attrezzi del fisico
interessato alle interazioni forti. In precedenza le EDS erano assunte a base dell’approccio di
Nelson ([Nel67]) alla Meccanica Quantistica. La tecnica delle EDS si era tuttavia sviluppata già
nella prima metà del XX secolo, con applicazioni a vari problemi di Fisica Classica ([Wax54]).
Qui daremo solo un accenno, rimandando alla Ref.[Wax54] e a [DH87].
L’idea nella sua formulazione più semplice è quella di studiare un’equazione di↵erenziale del
tipo
(5.14) d x(t) = b(x(t)) dt + (x(t)) dw(t)
dove x(t), e b(x(t)) sono in generale funzioni a valori in Rn, (x(t)) è una funzione reale
positiva e w(t) è il moto browniano standard in n dimensioni. La definizione di quest’ultimo
può richiedere una lunga preparazione matematica (vedi [Nel67]), ma per quanto ci interessa
si può definire per via puramente assiomatica:
(a) per ogni scelta di istanti t1, t2, . . . , tN si ha che x(t1), x(t2), . . . , x(tN) sono variabili
mutuamente Gaussiane che soddisfano le seguenti proprietà:
(b) M[x(t)] = 0
(c) M[xi(t) xj(s)] = ij min(t, s).
Ne segue immediatamente che gli incrementi x(t1)−x(t2) e x(t3)−x(t4) sono statisticamente
indipendenti se gli intervalli (t1, t2) e (t3, t4) non si sovrappongono, mentre
(5.15) M[�x(t + h) − x(t)�2] = h
Vedremo ora brevemente come si può risolvere in pratica l’equazione Eq. (5.14). Prima
però osserviamo che, secondo un teorema di cui non daremo dimostrazione, il processo x(t) è
caratterizzato da una densità di probabilità in funzione del tempo che soddisfa l’equazione di
Chapman–Kolmogorov ([PR69]):
= 2 � (x)2 P(x, t)� − ∇ ⋅ (b(x) P(x, t))

@P(x, t) 1
(5.16)
@t
Ora, c’è una classe particolare di possibili b(x) (in gergo il “drift”) che permette di ricavare la
soluzione asintotica per t grande: è il caso in cui b(x) è un campo irrotazionale e nel contempo
è una costante. Si ha infatti che, posto b(x) = ∇⇢(x), il membro di destra dell’equazione
diventa
1
2
� 2
P(x, t)� − ∇ ⋅ (∇⇢(x) P(x, t))
= ∇ ⋅ � 12 2
∇P(x, t) − P(x, t) ∇⇢�
e quindi si annulla per P = exp{−2 ⇢(x)� 2}. Ma allora è possibile costruire una EDS con
soluzione stazionaria preassegnata scegliendo il drift secondo la ricetta b = ∇⇢, ⇢ = 2log(P)�2.
Il caso che interessa in meccanica statistica e in teoria quantistica è quello in cui
P(x) = Z−1 exp{− H(x)}

e quindi
b(x) = −∇H(x), 2 = 2� .
Dunque è possibile costruire un processo aleatorio x(t) che è garantito convergere per tempi
grandi a una distribuzione stazionaria che può essere scelta a piacere. Questo significa che l’EDS
può essere utilizzata come algoritmo di simulazione MonteCarlo.
192
5.3.8. Equazione di Langevin e Meccanica Quantistica. Vi sono almeno due contesti

in cui le EDS sono utili nello studio della Meccanica Quantistica. Nelson [Nel67] ha mostrato che
l’equazione di Schroedinger √ è matematicamente equivalente ad una famiglia di processi di↵usivi,
governati da EDS con ∝ h � e b(x, t) = ∇ log( (x, t)). Da un punto di vista pratico, questo
fatto non comporta grossi benefici, in quanto anche solo per scrivere l’EDS è necessario conoscere
la soluzione dell’Equazione di Schroedinger o un suo sistema equivalente di equazioni non lineari.
L’altro punto di vista è invece quello della “quantizzazione stocastica” nel senso di Parisi-Wu. Il
nocciolo della questione è dato dal fatto che l’EDS con drift b(x) = ∇H(x) permette di valutare
medie statistiche rispetto alla misura di Gibbs exp(− H(x)), e inoltre la Meccanica Quantistica
formulata a tempo immaginario coincide con la Meccanica Statistica classica. Per l’equazione
di Schroedinger di una particella scalare in un grado di libertà e energia potenziale V(x) la
funzione H(x) si scrive
∞
H(x) = � 12 ẋ2 + V(x(t)� dt
ˆ
−∞
e l’equazione di Langevin assume la forma
@x(t, ⌧) @2x(t, ⌧)
= − V ′ (x(t)) + ⌘(t, ⌧)
@⌧ @t2
Il fatto importante è che si possono ottenere informazioni sullo spettro di energia e su ele-
menti di matrice quantistici dallo studio di funzioni di correlazione del processo aleatorio. Ad
es. si ha (vedi appendice)
�
(5.17) M[x(t)x(s)] ∼ � ��E0�q�E��2 e−(E−E0 )�t−s��h
E
dove q è l’operatore di posizione. Questa corrispondenza o↵re la possibilità di stimare le carat-
teristiche spettrali di sistemi quantistici complessi per i quali un calcolo attraverso l’equazione
di Schroedinger non sarebbe possibile. Ovviamente l’approccio MonteCarlo introduce necessa-
riamente degli errori (statistici e sistematici) che devono essere valutati e ridotti al minimo. Ma
questo riguarda un altra serie di lezioni.
193
Appendice IV
5.4. Distribuzioni di probabilità elementari

● Distribuzione di Bernoulli: vedi distribuzione binomiale con n = 1
● Distribuzione binomiale
Spazio degli eventi elementari: ⌦ = {0, 1, 2, ..., n}
Probabilità: P(k) = �n � n−k pk,
k q (p + q = 1)
v.a.: X(i) = i
Funzione generatrice: F(z) = (q + p z)n
Media: M[X] = n p
Dev.St.: D[X] = n p q
1 − 2p
Skewness: S[X] = √
npq
● Distribuzione di Poisson (Si ottiene dalla binomiale nel limite n p → , n → ∞)

Spazio degli eventi elementari: ⌦ ∶ Z
Probabilità: P(k) = e− k�k!, > 0
Funzione generatrice: F(z) = e (z−1)
Media: M[x] = .
Dev.St.: D[x] =
√
Skewness: 1�
● Distribuzione di Gauss
Spazio degli eventi elementari: ⌦ = R
e− 2 x �
1 2
Densità di probabilità: ⇢(x) = √ , >0

2⇡
´∞
Funzione generatrice: F(t) = −∞ dx eitx ⇢(x) = e− 2
1
t2
v.a.: X(x) = x
Media: M[X] = 0
Dev.St.: D[X] =
Skewness: 0
● Gauss multidimensionale
Spazio degli eventi elementari: ⌦ = Rn
e− 2 �x� A �x�
1 −1
Densità di probabilità: ⇢(x) = √ , A >> 0

(2⇡)n�2 det A
195
Appendice IV 5.5
´∞
Funzione generatrice: F(t) = −∞ dx ei<t�x> ⇢(x) = e− 2 �t� A�t�
1
v.a.: Xi(x) = xi
Media: M[Xi] = 0
Dev.St.: < Xi Xj > = Aij .
La matrice A di dimensione n è positiva definita, ossia �x� A �x� > 0 per ogni vettore
x non nullo. Il calcolo della funzione di distribuzione per una densità di probabilità
gaussiana in Rn si e↵ettua come segue M ≡ A−1 = R−1 ⇤ R, ⇤ diagonale:
F(⇠) = N ei<⇠�x> − 2 <x�Mx> [dx] =

1
ˆ
−1 x′ > − 2 <R−1 x′ �MR−1 x′ >

=N [dx ′ ] =
1
ˆ
ei<⇠�R
−1 x′ > − 2 <x′ �RMR−1 x′ >
=N [dx ′ ] =
1
ˆ
ei<⇠�R
ei<R⇠�x > − 2 <x �⇤x > [dx ′ ] =

′ ′ ′
=N
1
ˆ
n ˆ
= N � ei(R⇠)j x− 2 ⇤jj x dx =
1 2
�
j=1
� 2⇡ − 2⇤1 (R⇠)j 2
= N � ��
n
e jj �=
j=1 ⇤jj
(2⇡) 2 − 1 <(R⇠)�⇤−1 (R⇠)> (2⇡) 2 − 1 <⇠�M−1 ⇠>
n n
=N√ e 2 =N√ e 2
det M det M
e imponendo F(0) = 1 si trova
F(⇠) = e− 2 <⇠�M ⇠>

1 −1
√
det M − 1 <x�Mx>
⇢(x) = n e 2
(2⇡) 2
5.5. I teoremi di Gershgorin e Frobenius

Per i due teoremi che seguono si veda [Var62].
Teorema 5.5.1 (Gershgorin). Sia M una matrice qualunque N×N. Lo spettro della matrice
è contenuto nell’unione dei cerchi
{z ∈ C � �z − Mii� ≤ � �Mji�} .
j≠i
Corollario: se la somma ∑j Mji = 1, si trova �z − Mii� ≤ 1 − Mii. Tutti i “cerchi di Gershgorin”

sono allora contenuti nel cerchio unitario e passano tutti per il punto z = 1. Il teorema seguente,
fondamentale nell’analisi delle catene di Markov finite, si trova sul testo di Varga oppure sul
trattato di Gantmacher ( [Gan59], Vol.II, Ch. XIII).
Teorema 5.5.2 (Perron–Frobenius). Si assuma che la matrice A di dimensione N a elementi
non-negativi sia irriducibile, cioè non esiste alcuna permutazione degli indici che la trasformi
nella forma ridotta
� r×r r×s�
A A
0 As×s
196
5.6. DISTRIBUZIONE DI POLYA
con r + s = N. Allora valgono le seguenti proprietà:
● lo spettro di A contiene un autovalore reale positivo uguale al raggio spettrale ⇢(A);

● in corrispondenza di questo autovalore positivo esiste un unico autovettore avente tutte
componenti positive;
● il raggio spettrale ⇢(A) è una funzione strettamente crescente degli elementi di matrice;
● se k è il numero di autovalori con modulo pari al raggio spettrale la matrice è detta
ciclica di indice k e può essere ridotta attraverso una permutazione degli indici alla
forma
� 0 B12 0 ... 0 �
� 0 ... 0 �
� �
0 B23
� ⋮ ⋮ � ⋮ �.
� �
...
� 0 0 0 . . . Br−1,r�
�Br,1 0 0 ... 0 �
● Gli autovalori di modulo ⇢(A), per una matrice ciclica di indice k, sono semplici e coin-
cidono con le radici k-esime dell’unità exp{2⇡ij�r}, e in generale per ogni autovalore
anche exp{2⇡ i j�r} appartiene allo spettro.
Il teorema determina le proprietà asintotiche del processo di Markov. Infatti per tempi
lunghi la matrice di transizione sarà data da
r−1
Pt ∼ � e2⇡ijt�r Pj + O( sub ) ,
t
t→∞
j=0
dove i termini trascurabili sono associati a tutti gli autovalori in modulo inferiori a uno e sub è
quello di modulo più grande. Si a↵erma di solito che il limite della distribuzione di probabilità
esiste solo per il caso primitivo, cioè per r = 1. Questo è a rigore vero, ma irrilevante per le
applicazioni dove quello che conta è il comportamento del processo mediato su un tempo finito.
Infatti è chiaro che il contributo alla probabilità a tempi lunghi degli autovettori con autovalore
exp{2⇡ij�r}, j > 0 risulta fortemente attenuato se procediamo ad una media su un tempo finito
(ricordiamo che per una qualunque radice dell’unità ! ≠ 1 si ha ∑rk=1 !k = 0). Si veda anche il
seguente § 5.8.
5.6. Distribuzione di Polya

Partiamo dalla distribuzione di Bernoulli: in un contenitore sono presenti w palle bianche
e b nere, b + w = N. Si compiono n estrazioni a caso, riponendo ogni volta la palla estratta
nell’urna, e si registra il numero di palle bianche sulle n estrazioni totali. La probabilità si trova
con il metodo del Cap.5.2.3. Una variante possibile è quella di Polya: nello stesso contenitore
si estrae a caso una palla e, una volta rimessa al suo posto, le si aggiungono s palle dello stesso
colore (s ≥ 0). Questa procedura è ripetuta n volte. Sia Xn,s la v.a. che prende il valore k
se in queste n estrazioni vengono selezionate k palle bianche. Il caso s = 0 coincide con la
distribuzione binomiale con p = w�N. Un semplice programma matlab permette di esplorare le
proprietà della distribuzione:
197
Appendice IV 5.7
Polya.m
1 function Wtot=polya(Nsw,n,s,w1,b1)
2 % Usage: [Wtot,P]=polya(Nsw,n,s,w1,b1)
3 % Default: n=10, Nsw=1000, w1=b1=5, s=0
4 if nargin<4, w1 = 5; end
5 if nargin<5, b1 = w1; end
6 if nargin<2, n = 10; end
7 if nargin<1, Nsw =1000; end
8 if nargin<3, s = 0; end
9
10 Wtot=[];
11 for j=1:Nsw % start Nsw draws from Polya
12 N=w1+b1; p=w1/N; W=0; w=w1; b=b1; % initialize
13 for k=1:n
14 if(rand<p), W=W+1; w=w+s;
15 else, b=b+s;
16 end
17 N=w+b; p=w/N; % update
18 end
19 Wtot=[Wtot,W]; % store result
20 end
In Fig. 5-4 un risultato per n = 100, s = 1, w = 4, b = 3 con M[X100,1] = 57.14. La distribuzione

di Polya è data da
n (w�s)k (b�s)n−k
P[Xn,s = k] = � �
k ((w + b)�s)n
dove (a)n = ∏n−1
j=0 (a+j) è il simbolo di Pochammer. Il caso limite s = 0 si riduce alla distribuzione
di Bernoulli P[Xn,0 = k] = �n �
k (w�(w + b)) (b�(w + b))
k n−k
(si veda [Fis63]).
Figura 5-4. Distribuzione di Polya
198
5.8. CALCOLO DEL TEMPO MEDIO DI RITORNO
5.7. Soluzione esatta del modello di Ehrenfest

Se p(n, t) è la probabilità che la prima urna contenga n particelle al tempo t, conviene
introdurre una funzione generatrice definita come segue:
N
G(x, t) = � p(n, t) xn .
n=0
La relazione di ricorrenza definita dalla probabilità di transizione (5.9)
n+1 N−n+1
p(n, t + 1) = p(n + 1, t) + p(n − 1, t)
N N
(dove il primo coefficiente è da considerare uguale a zero per n = N e il secondo per n = 0) si
traduce in una relazione per G(n, t):
N−1
n+1 N−n+1
G(x, t + 1) = � � p(n + 1, t) xn + p(n − 1, t) xn�
n=0 N N
N−1
d d
= �� p(n + 1, t) xn+1 + p(n − 1, t) xn − x2 p(n − 1, t) xn−1�
1 1
n=0 N dx N dx
1 − x2 d
= p(x) + x p(x)
N dx
La distribuzione di probabilità stazionaria deve soddisfare l’equazione G(x, t + 1) = G(x, t) ossia
dG
(1 + x) x, t) = N G(x, t) che ha come unica soluzione G(x, t) = N (1 + x)2. La normalizzazione
d(
(∑ p(n) = G(1, t) = 1), impone N = 2−n. Ne segue che la distribuzione di equilibrio è data da
p(n) = 2−n �N n
�. Per N molto grande i valori più grandi di probabilità si hanno per n ≈ N�2. Per
esercizio si calcoli M[n] e D[n]. Con un calcolo analogo si trovano tutti gli altri autovalori della
matrice di transizione (precisamente {j�N�j = −N, −N+1, ..., N−1, 1}. La presenza dell’autovalore
−1 implica che la matrice M di transizione è ciclica di indice 2.
5.8. Calcolo del tempo medio di ritorno

Calcoliamo le funzioni generatrici Fj(s) e Gj(s) utilizzando la decomposizione spettrale della
matrice P (si veda Pag.185). Per semplicità ammettiamo che P sia diagonalizzabile, anche se
questo non sarebbe strettamente necessario. Sia perciò
P=� P
dove la somma è estesa a tutto lo spettro di P. Si ha allora
Gj(s) = � (P )jj
s
1−s
Dalla relazione (5.4) si ricava

dFj Gj′ (s)
=
ds (1 + Gj(s))2
199
Appendice IV 5.9
e inserendo la rappresentazione spettrale si ottiene cosı̀
dFj ∑ (1−s )2
(P )jj
(5.18) µj = =
ds (∑ 1−s (P
1
)jj)2
1
(1−s)2
(P1)jj + ∑ ′ (1−s )2 (P )jj
(5.19) =
( 1−s
1
(P1)jj + ∑ ′ 1−s
1
(P )jj)2
(5.20) = (P1)−1jj + O(1−s) .
dove ∑ ′ indica la somma estesa agli autovalori diversi da uno. Ora il proiettore P1 è dato da
(P1)nm = uR n um essendo u e u gli autovettori destri e sinistri di P con autovalore uno. Dato
L R L
che l’autovettore sinistro ha tutte componenti uguali a uno (dalla la condizione di stocasticità
Eq. 5.10) si ha per il limite s → 1
µj = 1�uRj
Si noti che nel caso di matrice di transizione irriducibile tutte le componenti della distribuzione
stazionaria uR sono strettamente positive.
Il codice Mathematica che segue calcola le funzioni generatrici F e G per il modello di
Ehrenfest.
EhrenfestP[n_]:=
SparseArray[{{i_,j_}/;i-j==1->1-(j-1)/n,{i_,j_}/;i-j==-1->
i/n},{n+1,n+1}]
P[n_]:=P[n]=Normal[EhrenfestP[n]];
R[n_,s_]:=R[n,s]=
Simplify[s P[n] .Inverse[IdentityMatrix[n+1]-s P[n],
Method->CofactorExpansion]];
G[n_,s_]:=G[n,s]=Simplify[Tr[R[n,s],List]];
F[n_,s_]:=F[n,s]=Simplify[G[n,s]/(1+G[n,s])];
K=15;
Simplify[F[K,s]]/.s->1
{1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1}
(* ritorno c.p.1 per tutti i casi iniz. *)
Series[D[F[K,s],s],{s,1,1}] (* Output omesso *)
mu=Limit[D[H[K,s],s],s->1]
{32768, 32768/15, 32768/105, 32768/455, 32768/1365, 32768/3003,
32768/5005, 32768/6435, 32768/6435, 32768/5005, 32768/3003,
32768/1365, 32768/455, 32768/105, 32768/15, 32768}
(* 2ˆ15/Binomial(15,k) *)
I valori di µn coincidono con i reciproci delle componenti della distribuzione stazionaria

(Sec. 5.7). Si ha qui un esempio di processo che sebbene tenda all’equilibrio prevede che ogni
stato si ripresenti con probabilità uno ma su tempi medi che possono diventare molto grandi
(immaginare cosa sia un tempo 210 anche ammettendo che il passo temporale sia 10−10sec!),
23
con il che, su scale temporali limitate, il processo appare irreversibile.

200
5.10. PROCESSI DIFFUSIVI
5.9. Dimostrazione della Eq. (5.17)

Sia q(t) l’operatore di posizione in descrizione di Heisenberg, cioè q(t) = exp(iH t) q exp(−iH t).
Passiamo a tempo immaginario e calcoliamo
�E0� q(it) q(is) �E0� = �E0� qe−H (s−t) q �E0� eE0 (s−t)
= � �E0� q �En� �En� q �E0� e−(En −E0 )(s−t)
n
= � � �E0� q �En� �2 e−(En −E0 )(s−t)

n
D’altra parte, scelto un vettore arbitrario � �, utilizzando la relazione
�E0� = lim e−(H−E0 )T � � � �E0� �
T→∞
si ha anche
� � e−H T q e−H (s−t) q e−H T � �
�E0� q(it) q(is) �E0� = lim
T→∞ � � e−H T e−H (s−t) e−H T � �
´∞
− d⌧� ẋ2 +V(x(⌧))�
1
D x(.)e −∞ 2
∼
´
x(t)x(s)
´∞
− d⌧� 2 ẋ +V(x(⌧))�
1
Dx(.)e −∞
´ 2
L’ultimo passaggio presume familiarità con il formalismo dei path integrals di Feynman come
sviluppati ad es. su [Fey72]. Si veda [Pol77] per l’applicazione al calcolo del gap di energia e
per l’estensione a sistemi più interessanti.
5.10. Processi di↵usivi

Sia x(t) ∶ [0, +∞) → Rn un processo stocastico che evolve nel tempo secondo la seguente
equazione:
�
(5.21) dx(t) = b(x(t), t) dt + (x(t), t) dw(t)
dove b(x(t), t) è un campo vettoriale, detto campo di drift, che agisce in modo deterministico
sul sistema; dw(t) è una variabile casuale distribuita in modo gaussiano con M[dw] = 0 e
M[dw(t) dw(s)] = dt (t − s) ,
√
La funzione rappresenta il coefficiente di di↵usione, cosicché dw(t) fornisce il contributo
aleatorio allo spostamento infinitesimo, come descritto in figura.
)
dt
x (t+
1/2
dw(t)
t
, t) d
b(x
x(t)
Figura 5-5. Lo spostamento x(t) → x(t+dt) decomposto in parte casuale

e in trascinamento (drift)
201
Appendice IV 5.10
La probabilità che x(t) si trovi al tempo t in una certa porzione di spazio I ⊂ Rn è data da:
PI (t) = ⇢(x, t)dx

ˆ
dove ⇢(x, t) è la densitá di probabilitá. Si trova, sotto opportune condizioni, che ⇢(x, t) soddisfa
= ⇢ − ∇ (⇢b)
@⇢
(5.22)
@t 2
detta equazione di Kolmogorov. Il primo addendo rappresenta la parte detta di↵usiva del
processo, mentre il secondo è il classico termine dell’equazione di continuità del campo b di cui
la (5.22) rappresenta una generalizzazione.
Nel caso in cui il drift è il gradiente di una funzione, allora è immediato determinare la
distribuzione invariante, cioè la soluzione stazionaria dell’Eq.(5.22). Sia infatti
b(x) = − ∇S(x) .
2
Segue che il membro di destra dell’equazione si annulla per ⇢ = exp{−S}. Nell’applicazione alla
meccanica quantistica, la funzione S rappresenta l’azione (euclidea, cioè a tempo immaginario)
�
e per consistenza è presente un fattore 1�h
⇢(x) = exp{− � S(x)}

1
h
e l’equazione stocastica assume la forma
√
dx(t) = − � ∇S(x) dt + dw(t)
2h
La costante di di↵usione regola l’evoluzione temporale ma non influenza la soluzione stazio-
naria, quindi si può scegliere arbitrariamente, ad es. � il che semplifica formalmente
= 2h,
l’equazione; sono però a disposizione altre scelte che possono rendere più veloce la convergenza
alla soluzione stazionaria. Ad esempio è anche possibile scegliere uguale ad una matrice (po-
sitiva definita); nel caso in cui S sia quadratica ( 12 < x, Ax >), è evidente il vantaggio, come ha
suggerito Parisi, di porre = A−1; infatti si può dare il caso in cui gli autovalori di A siano molto
diversi come ordine di grandezza, cioè l’indice di condizionamento dato dal rapporto tra l’auto-
valore più grande e quello più piccolo sia molto grande. In questa situazione il calcolo numerico
della soluzione dell’equazione stocastica risulta molto penalizzata (per raggiungere l’equilibrio
è necessario attendere i modi più lenti). La scelta di Parisi mette tutti i modi al passo con un
notevole vantaggio di efficienza dell’algoritmo � .
Come esempio a↵rontiamo la risoluzione di un problema particolare
√
dx(t) = −Axdt + 2 dw(t) ,
� = 1), la cui soluzione è
(dove abbiamo posto per semplicità h
ˆ t
x(t) = e−Atx(0) + eA(t −t) dw(t ′ )
′
(5.23)
0
dove x(0) è la condizione iniziale. Dato che x risulta sovrapposizione lineare di variabili gaussiane
(sempre che lo sia x(0)), la soluzione è data ad ogni istante da una variabile aleatoria gaussiana;
per caratterizzarla è allora sufficiente conoscerne la media e la (co-)varianza. Dalla (5.23) si trova
�
Il calcolo della radice quadrata A−1�2 non pone eccessivi problemi; inoltre è e↵ettuata una volta sola nel
corso del calcolo.
202
5.10. PROCESSI DIFFUSIVI
M[x(t)] = e−AtM[x(0)], essendo M[dw(t)] = 0. Essendo A definita positiva si ha lim M[x(t)] =

0, avendo semplicità posto x(0) = 0, il che non influenza il risultato a tempi grandi, e troviamo
t→∞
ˆ t ˆ t
A(t′ −t) ′
(eA(t −t) )jh dwh(t ′′ )�
′′
M[xi(t) xj(t)] = M� (e )ik dwk(t )
0 0
ˆ tˆ t
(eA(t −t) )ik(eA(t
′′ −t)
)jh M[dwk(t ′ ) dwh(t ′′ )]
′
=
0 0
ˆ tˆ t
(eA(t −t) )ik (eA(t
′′ −t)
(t ′ − t ′′ ) d t ′
′
= )jh 2 kh
0 0
t
(e2A(t −t) )ij d t ′
′
=2
ˆ
0
1 − e−2At
=� �
A ij
Si è sfruttato il fatto che la matrice A è simmetrica. Nel limite per t → ∞ si trova
M[xi(t) xj(t)] → (A−1)ij
Se adottiamo la scelta di Parisi, = A−1, la soluzione diviene
ˆ t
−t
et −t A−1�2dw(t ′ )
′
x(t) = x(0)e +
0
da cui segue
M[xi(t)xj(t)] = (A−1)ij �1 − e−2t�
Quindi la soluzione dipende dalla scelta di , ma non la distribuzione stazionaria, che è data da
⇢(x, t) → N exp{− 12 �x� A �x�}
Un problema interessante è quello di realizzare algoritmi efficienti per studiare numericamente
la soluzione di equazioni di↵erenziali stocastiche; teniamo conto infatti che i casi in cui si sa
risolvere esattamente l’equazione si riducono a poca cosa (caso lineare o riconducibile a). Un
metodo molto semplice è basato sull’osservazione seguente: per integrazione si ha dall’Eq. (5.14)
(avendo assunto = 1)
ˆ t+⌧
x(t + ⌧) = x(t) + b(x(t ′ )) dt ′ + w(t + ⌧) − w(t) ,
t
e√dunque la parte casuale è data esattamente da un contributo gaussiano con media 0 e varianza
⌧. L’integrale invece bisogna approssimarlo in modo accurato. La formula del trapezio è la
prima possibilità
t+⌧
b(x(t ′ )) dt ′ ≈ 12 ⌧ (b(x(t)) + b(x(t + ⌧))) .
ˆ
t
Questo tuttavia obbliga a risolvere un’equazione implicita per ottenere x(t + ⌧). In alternativa si
può approssimare ulteriormente la formula inserendo x(t + ⌧) ≈ x(t) + b(x(t))⌧ + w(t + ⌧) − w(t)
nella formula del trapezio.
Per altri algoritmi, più accurati, si può consultare [KP99]. Per l’applicazione delle equazioni
stocastiche al Monte Carlo si veda invece [DH87].
203
Problemi

almeno parziale, è riportata in fondo al capitolo.
Problema 1. Si considerino tutti i possibili intervalli contenuti nel segmento (0, 1) e tutte
le loro possibili unioni (pluri–intervalli). Ad un qualunque intervallo è associata una lunghezza
e questa si può assumere come P().
Problema 2. # Si tirano tre dadi. Si determini la probabilità che la somma dia 11 oppure
12. (Nel ’600, un certo DeMère, che passava molto tempo al tavolo da gioco, si era stupito del
fatto che P(11) > P(12), almeno stando alle sue osservazioni, ma Pascal diede la dimostrazione
che il fatto era del tutto prevedibile sulla base di un argomento matematico).
Problema 3. Un cubo di legno ha le facce colorate. Il cubo viene sezionato in dieci parti
parallelamente alla faccia x − y, poi ancora i dieci parti secondo x − z e infine secondo y − z.
Qual’è la probabilità che scegliendo a caso uno dei mille cubetti questo abbia due facce colorate?
Problema 4.#Si sceglie a caso un numero intero compreso tra 1 e 1000. Qual’è la probabilità
che il cubo del numero abbia le ultime due cifre uguali a 1? (cioè n3 = ∗ ∗ ∗11).
Problema 5. # � Duecento spettatori si presentano in fila ordinata alla biglietteria del
cinema Astra, in possesso per la metà di biglietti da 5 Euro e l’altra metà di biglietti da 10.
La cassa del teatro è inizialmente vuota. Qual’è la probabilità che nessuno nella coda debba
aspettare per avere il resto?
Problema 6. # Una variante dell’esercizio precedente: supponiamo che nella coda ci siano
n+m spettatori muniti di banconote da 5 Euro e n−m con 10 Euro. Come varia la probabilità
che la coda non incontri interruzioni?
Problema 7. In un gioco a premi, il presentatore mette sul tavolo tre buste di cui una sola
contiene il premio. Una volta scelta la busta, al concorrente viene indicata quale tra le due buste
rimanenti è sicuramente vuota e gli si o↵re la possibilità di modificare la scelta. Il concorrente
argomenta che a questo punto la probabilità di vincere è al 50% e tanto vale mantenere la scelta
iniziale. Tuttavia il concorrente sbaglia a non approfittare dell’o↵erta. Perché?
Problema 8. # Il classico problema “della rovina del giocatore”: giocando a testa-o-croce
un giocatore gioca ogni volta un Euro. Assumendo che il suo capitale iniziale sia di x Euro, il
giocatore si ripropone di continuare ad oltranza fino a raggiungere un capitale di m Euro (m > x)
oppure perde tutto. Qual’è la probabilità di uscire con il portafoglio vuoto? (vedi gambler.m).
Problema 9.# In dieci contenitori si hanno nell’ordine 2 palle bianche e 2 nere nei primi
nove, mentre nell’ultimo sono contenute 5 bianche e una nera. Si estrae a caso una palla senza
sapere da quale contenitore. Se si è scelta una palla bianca, qualè la probabilità che ce ne siano
altre quattro nello stesso contenitore?
Problema 10. Dimostrare la formula
P(A ∩ B ∩ C) = P(A) P(B�A) P(C�A ∩ B) .
205
Problemi 5.10
Problema 11. Due punti vengono scelti a caso nell’intervallo (0, L). Qual’è la probabilità
che la loro distanza non superi `?
Problema 12. Due urne contengono inizialmente NA particelle di tipo A e NB di tipo B
ciascuna. Viene spostata a caso una particella dalla prima alla seconda urna e successivamente
dalla seconda alla prima. Il processo si ripete indefinitamente. Come varia la probabilità di
avere nA particelle di tipo A nella prima urna (e nB del secondo tipo)?
Problema 13. Passeggiata aleatoria (random walk): consideriamo un reticolo nel piano
costituito da tutti i punti con coordinate cartesiane intere, x = (n1, n2). Ad ogni istante una
particella puntiforme salta a caso dalla sua posizione ad una vicina con uguale probabilità in
ognuna della quattro direzioni. Determinare la la probabilità Pt(n1, n2) di trovare la particella
nel punto (n1, n2) all’istante t.
Problema 14. Sia dato un grafo rappresentato in Fig. 5-6. Si considera un cammino
casuale sul grafo che inizia in O. Ad ogni diramazione il cammino sceglie un ramo con la stessa
probabilità (tranne che ritornare indietro). Qual’è la probabilità di raggiungere il nodo A?
Figura 5-6. Il grafo del Probl. 14
Problema 15.# � Ritorno al punto di partenza: consideriamo una catena di Markov su

N stati, caratterizzato dalla probabilità di transizione Pij. Si suppone che tutti gli stati possano
essere raggiunti prima o poi, cioè che P sia irriducibile∗ . Ci si chiede con quale probabilità
partendo dallo stato j si tornerà a j dopo un numero qualunque di passi. Inoltre ha interesse
sapere quanto tempo in media deve passare perchè ciò avvenga.
Problema 16 (si veda [Gin00]). Si studi il caso di un sistema a tre stati A, B, C la cui
funzione di probabilità soddisfa l’equazione di evoluzione (↵, e sono costanti positive)
�
� dpA�dt = −↵ pA + pC
�
�
�
�dpB�dt = ↵ pA − pB
�
�
�
�
�dpC�dt = pB − pC
e se ne trovi, se esiste, la soluzione asintotica per tempi grandi. Se non si riesce a trovare
la soluzione, si esplori il problema per qualche valore particolare dei parametri attraverso una
simulazione numerica (e proprio come ultima risorsa, prima di esaminare la soluzione, si veda
il codice aug problem.m.
∗
Questo significa in altre parole che nello spazio degli stati del processo non esistono sottoinsiemi da cui il
processo non possa uscire.
206
Problemi
Problema 17 (Problema di Ehrenfest continuo). Si prenda il problema delle due urne del
Cap. 5.3.1, con una variante: l’estrazione a caso non avviene con regolarità ogni ⌧ secondi,
piuttosto l’estrazione avviene con probabilità dt nell’intervallo dt. Siamo dunque nel caso
prefigurato, con un parametro di rilassamento
p(t + dt) = (1 − dt) p(t) + dt ME p(t)
dove abbiamo indicato con ME la matrice stocastica del modello discreto delle due urne. Si ha
dunque un processo di Markov in tempo continuo governato dalla matrice HE = ME − 1. Dal
risultato dell’App. 5.7 si può verificare che lo spettro di HE è contenuto nel cerchio di raggio uno
centrato in −1. Per visualizzare l’evoluzione del vettore di probabilità si può utilizzare il codice
aug problem3.m.
Problema 18. Dimostrare che la matrice di transizione del modello di Ehrenfest soddisfa
l’equazione M T + T M = 0 essendo T la matrice diagonale con elementi di matrice Tn,n = (−1)n.
(ciò implica anche che lo spettro di autovalori di M deve essere simmetrico intorno all’origine
delle coordinate).
Problema 19. Dalla relazione Eq. 5.18 ricavare i primi due termini dello sviluppo di Taylor
per µj(s) e dedurne la varianza del tempo medio di ritorno D(⌧j).
Problema 20.#� Si consideri una matrice M n×n Hermitiana i cui elementi di matrice sono
estratti a caso da una distribuzione Gaussiana normale. Determinare la densità di probabilità
P( ∈ [x, x + dx]) per gli autovalori, nel limite di n molto grande. La distribuzione è nota come
“legge del semicerchio di Wigner” ([Wig67, Meh89, Cic09]).
Problema 21.# �� Costruire un algoritmo che permetta di estrarre matrici unitarie a caso,
uniformemente rispetto alla misura invariante [dU] = [d, g U] = [d U g].
Problema 22. # � Costruire un algoritmo che permetta di estrarre matrici stocastiche a

caso, secondo la convenzione: gli elementi di ciascuna colonna formano un vettore casuale, con
componenti non–negative, distribuito uniformemente nella regione ∑i Mij = 1.
Problema 23. Una pulce esegue un salto ogni minuto primo da uno all’altro di quattro cani
C1, ..., C4. La decisione avviene (apparentemente) a caso con probabilità di salto Cj → Ck data
dalla matrice stocastica
� 0 1�4 0 0 �
�1�2 0 1�2 0 �
P(Cj → Ck) = � �
� 0 1�2 0 1�2�
�1�2 1�4 1�2 1�2�
Si calcoli la probabilità che la pulce si trovi sul cane C1 dopo un’ora dalla prima rilevazione che
la trovava su C2. Dimostrare che il risultato è praticamente indipendente dal cane di partenza.
Problema 24.# Si consideri il gruppo Sn delle permutazioni su n oggetti. Si chiede qual’è
la probabilità che una permutazione scelta a caso non lasci fisso alcun elemento? (Una variante
del problema dice: 40 signori lasciano il proprio cappello all’ingresso del teatro. All’uscita viene
a mancare l’energia elettrica e i cappelli vengono riconsegnati al buio. Qual’è la probabilità che
nessuno ritorni in possesso del proprio cappello?).
Problema 25. Nel preparare N panettoni, si immettono nell’impasto n acini di uvetta
sultanina. Qual’è la probabilità che uno qualunque dei panettoni contenga almeno un acino?
207
Problemi 5.10
Soluzioni
#. 2 Le disposizioni dei tre dadi che portano a una somma uguale a 11 sono le 6 seguenti:
6 + 4 + 1, 6 + 3 + 2, 5 + 5 + 1, 5 + 4 + 2, 5 + 3 + 3, 4 + 4 + 3, ma tenendo conto delle permutazioni
possibili (6 + 4 + 1, 6 + 1 + 4, 4 + 1 + 6, 4 + 6 + 1, 1 + 6 + 4, 1 + 4 + 6 etc.) si tratta in realtà 27 su
216 possibilità, mentre per il 12 si ha 6 + 5 + 1, 6 + 4 + 2, 6 + 3 + 3, 5 + 5 + 2, 5 + 4 + 3, 4 + 4 + 4,
sempre 6 partizioni, ma solo 25 combinazioni. DeMère si era ingannato non tenendo conto delle
permutazioni possibili.
#. 4 Il problema si imposta facilmente in termini aritmetici. Se n = c0 + 10c1 + 100c2 con ci
compreso tra 0 e 9, si avrà n3 = c30+30c20c1(mod100) (in quanto tutti gli altri termini comportano
un fattore almeno pari a 100 e quindi non influiscono sulle ultime due cifre; 1000 non è compreso,
ma è comunque da scartare). Ora il termine 30c21c2 influenza solo la penultima cifra del risultato
e quindi si dovrà avere c30 = 1(mod10), che implica c0 = 1 e di conseguenza c1 = 7. Di tutte le
scelte possibili per c0 e c1 solo una soddisfa la richiesta, dunque la probabilità è uguale a 1/100.
Un semplice comando matlab trae dall’impiccio nel caso non si sia particolarmente forti in
aritmetica:
>> n=1:1000;
>> N3=n.^3;
>> length(find(N3 - floor(N3/100)*100 == 11))/1000
. 5 Il problema rientra nella categoria generale delle “camminate aleatorie” (o random

#
walks). In attesa di sviluppare qualche metodo di analisi, si può tentare una soluzione empirica
basata sulla simulazione della coda. Il programma rw.m, in linguaggio matlab realizza una suc-
cessione di situazioni a caso per un numero qualunque (2n) di spettatori. Esaminando l’output
0.2
Simulazione
1/n
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
10 20 30 40 50 60 70 80 90 100
Figura 5-7. Stima di probabilità per il Probl. 5
del programma per vari valori di n, si trova il diagramma di Fig. 5-7 Risulta naturale conget-
turare che la probabilità sia almeno approssimativamente 1�n. La simulazione si realizza cosı̀:
ogni spettatore con biglietto da 5 aumenta la scorta della cassa, mentre uno con biglietto da dieci
la fa diminuire. Dunque una qualunque coda si può mettere in corrispondenza biunivoca con una
successione di +1 e −1 in quantità uguali a n. Si ottengono tutte le possibili code considerando
tutte le combinazioni di 2n elementi a n a n (che sono in numero di �2n n
�). Non è consiglia-
bile tentare di enumerare tutte le code possibili e contare per quante di queste la cassa rimane
sempre rifornita, per n=100 si tratta si un numero a 58 cifre! Però c’è il modo di estrarre a
caso un numero ragionevole di combinazioni e sulla base di questo campionamento e↵ettuare
208
5.10. SOLUZIONI
una stima. Naturalmente, dato che si tratta di una sorta di sondaggio, bisognerà tenere presente
che il risultato è soggetto a errore statistico, e possibilmente bisognerà quantificarlo. La parte
più difficile della simulazione è costituita di solito proprio dalla valutazione corretta delle flut-
tuazioni statistiche. Nella fig. 5-8 una simulazione per n = 20 con un totale di 2 × 105 campioni
0.054
data 1
y median
0.052
y std
0.05
<P>
0.048
0.046
0.044
0.042
0 2 4 6 8 10 12 14 16 18 20
bin
Figura 5-8. Media e fluttuazioni della simulazione della coda al botteghino
(sempre poco numerosi rispetto al totale delle possibilità) è analizzata suddividendo il campione
in gruppi di 20 e valutando la deviazione standard. Risulta che il valore più probabile della media
è 1�21, ossia in generale 1�(n+1). La soluzione si può determinare con il metodo della riflessione
speculare (si veda [Gne79], Cap.I, Es. 5), oppure con il metodo della funzione generatrice, che
ora utilizziamo. Sia N(n) il numero di casi favorevoli (nessuno tra i 2n spettatori è costretto
ad attendere). Sia poi N0(n) il numero di casi in cui la cassa rimane sempre in possesso di
almeno un biglietto da 5 Euro, ad eccezione del momento iniziale e di quello finale, in cui per
ipotesi non vi sono biglietti da 5 disponibili. Allora siano 2m gli spettatori che passano dalla
cassa prima che questa sia priva di biglietti da 5; ovviamente 1 ≤ m ≤ n e si avrà
n
N(n) = � N0(m)N(n − m)
m=1
Figura 5-9. Confronto tra cammini sempre positivi e cammini non–negativi.
Dal grafico in Fig. 5-9 si capisce anche che ad ogni evento favorevole si può associare un
cammino lungo due passi in più che ritorna a zero per la prima volta dopo 2(n + 1) passi (il
problema del “primo ritorno” di un cammino aleatorio) Abbiamo perciò che N0(n + 1) = N(n)
e quindi vale una relazione di ricorrenza che permette di ricostruire facilmente N(n):
n
N(n + 1) = � N(m)N(n − m)
m=0
209
Problemi 5.10
Sia F(x) = ∑m≥0 N(n)xn; moltiplicando i due termini della relazione di ricorrenza per xn+1 si
trova
� N(m + 1)x = F(x) − 1 = x F(x)2 .
m+1
√
m≥0
Si ottiene cosı̀ F(x) = 1− 1−4x

2x .I coefficienti dello sviluppo in serie si possono ricondurre a
�
1 2n
� e sono noti come numeri di Catalan [Sta99] . Il risultato dimostra che la probabilità
richiesta dal problema è esattamente 1�(n + 1).
n+1 n
. 6P=
# 2m+1
n+m+1 .
#. 8 Se indichiamo con p(x) la probabilità della “rovina” per un capitale iniziale x. Al primo
tentativo, dopo una vincita la nuova probabilità sarà p(x + 1) e in caso di perdita p(x − 1). I due
casi sono equiprobabili, perciò
p(x) = (p(x + 1) + p(x − 1))

1
2
Dobbiamo allora cercare una soluzione a questa equazione con le condizioni p(0) = 1 e p(m) = 0.
L’equazione è lineare e ammette due soluzioni indipendenti p = 1 e p = x. La soluzione va quindi
cercata come p(x) = ↵ + x. Imponendo le due condizioni, la soluzione è p(x) = 1 − x�m. Questo
implica, ad esempio, che se si vuole raddoppiare il portafoglio tanto vale puntare tutto su una
singola giocata, l’unica di↵erenza essendo il tempo trascorso a giocare. Il programma gambler.m
simula una giocata a caso e permette di valutare qualcosa in più rispetto alla analisi svolta fin
qui, ad esempio risponde alla domanda “dato x e m quanto tempo in media passa prima della
rovina?”. Risposta: t = x(m − x).
. 9 Dalla formula (5.2) si trova subito che P(bianca) =
# 10 ( 2
1 9
+ 56 ) = 60 .
32
Dalla formula di
Bayes si ottiene poi
10 × 6
1 5
P(B10�A) = 32 =
5
.
60
32
. 13 Si può determinare la funzione P tenendo conto della relazione di ricorrenza
#
Pt+1(n1, n2) = �Pt(n1 + 1, n2) + Pt(n1 − 1, n2)+

1
4
Pt(n1, n2 + 1) + Pt(n1, n2 − 1)�
Si ha allora
Pt+1(n1, n2) − Pt(n1, n2) = �Pt(n1 + 1, n2) + Pt(n1 − 1, n2)+
1
4
Pt(n1, n2 + 1) + Pt(n1, n2 − 1) − 4Pt(n1, n2)�
e il membro di destra è l’analogo alle di↵erenze finite dell’operatore di Laplace. Se introduciamo
unità di lunghezza e di tempo rispetto a cui t = T �⌧ e x = (n1, n2) = (X, Y)�a la formula precedente
diventa
a2
(PT+⌧(X, Y) − PT (X, Y))�⌧ = �PT (X + a, Y) + PT (X − a, Y)+
4⌧
PT (X, Y + a) + PT (X, Y − a) − 4PT (X, Y)��a2
Passiamo al limite per a → 0 e ⌧ → 0 in modo però che il rapporto a2�⌧ = 2D si mantenga
costante, allora l’equazione converge a
@PT (X, Y) D
= P(X, Y)
@T 2
dove è l’operatore di Laplace. Il modello di random walk rappresenta perciò la discretizzazione
del processo di di↵usione. Determinare i valori medi E(X) e E(Y) in funzione del tempo.
210
5.10. SOLUZIONI
. 15 Sia fj(t) la probabilità che il processo torni per la prima volta in j dopo t passi. Allora
#
si avrà
(Pt)jj = fj(t) + fj(t − 1) Pjj + fj(t − 2) (P2)jj
+ . . . fj(t − k) (Pk)jj + . . . + fj(1) (Pt−1)jj
(5.1)
t−1
= � fj(t − k)(Pk)jj
k=0
che si giustifica considerando che lo stato può tornare per la prima volta in k passi per poi
tornare di nuovo (senza restrizioni) nei t − k passi residui.
L’equazione permette di calcolare fj dalla conoscenza delle potenze di P, un problema pura-
mente algebrico. Dato che l’equazione è data da una convoluzione è facile risolverla introdu-
cendo le funzioni generatrici
∞
(5.2) Gj(s) = � (Pt)jj st
t=1
∞
(5.3) Fj(s) = � fj(t) st .
t=1
Dall’Eq.(5.1) si trova allora

Gj(s) = Fj(s) + Fj(s) Gj(s)
ossia
Gj(s)
(5.4) Fj(s) =
1 + Gj(s)
.
Dalla soluzione possiamo verificare che Fj(1), ossia la probabilità totale di tornare in j, risulta i)
minore di uno se la serie Gj(1) è convergente, ii) uguale a uno se la stessa serie diverge. Inoltre il
tempo medio di ritorno, ossia ⌧j = ∑∞ t=1 t fj(t) risulta dato da ⌧j = ds �s=1. Sia uj la distribuzione
dFj
stazionaria, soluzione di P u = u. Allora si dimostra che vale il risultato semplicissimo (vedi

Appendice 5.8)
(5.5) ⌧j = 1�uj .
Nel caso del modello di Ehrenfest, per il quale µj = �N j

��2N, il tempo medio di ritorno è allora
2N per lo stato in cui tutte le particelle sono inizialmente collocate in una sola urna.
. 16 Lo spettro della matrice
#
�−↵ 0 �
A=�↵ − 0 �
�0 − �
è dato dalle radici dell’equazione ( +↵)( + )( + ) = ↵ , il che implica che una radice è zero
e le rimanenti due hanno parte reale negativa. Il processo converge dunque alla distribuzione
asintotica
pA = N , pB = N ↵, pC = N ↵
che rappresenta l’autovettore A p = 0. N è fissato dalla normalizzazione a uno della probabilità
totale.
#. 20 Si vedano [Wig67, Meh89, Cic09]. Il problema si può esplorare “sperimentalmente”
con matlab:
211
Problemi 5.10
Wigner-caso simmetrico reale
function E=wigner(N, samples)
E=[];
for n=1:samples
M = randn(N); % distrib. normale per gli elementi di matrice
M=(M+M’)/2; % simmetrizzazione
E=[E;eig(M)]; % accumula gli autovalori
end
hist(E,samples*N/1000); % disegna l’istogramma
√Si noterà
√ che gli autovalori si distribuiscono secondo una densità concentrata nell’intervallo
[− 2N, 2N]. Ciò si ripete nel caso di matrici hermitiane
Wigner-caso Hermitiano
function E=wigner(N, samples)
E=[];
for n=1:samples
M = randn(N)+i*randn(N);
M=(M+M’)/2/sqrt(2);
E=[E;eig(M)];
end
hist(E,samples*N/1000);
Un piccolo numero di esperimenti può essere sufficiente per stabilire la legge generale. Per
la teoria si vedano i riferimenti consigliati.
#. 21 Il caso unitario è incluso negli studi di Mehta et al, quindi i riferimenti sono gli stessi.
Per eseguire esperimenti numerici si può utilizzare un algoritmo non banale†
Unitary Ensemble (ue.m)

function U=ue(N)
% Return a random unitary matrix NxN
% uniformly distributed according to Haar measure on U(N)
% Algorithm by F. Mezzadri, Bristol U. 2006
Z = randn(N)+i*randn(N); % Gaussian complex

[Q,R] = qr(Z); % QR-decomposition
D = diag(R);
D = diag(D./abs(D)); % (1,-1) diagonal
U = Q*D; % return the unitary sample
. 22 L’algoritmo è implementato in matlab come segue (Onofri–Destri, unpublished). Il

#
programma mostra come lo spettro, √ oltre all’autovalore uno comune a tutte le matrici stocasti-
che, riempie il disco di raggio 1� N; la distribuzione è uniforme nel disco tranne che per un
addensamento sul segmento [−1, 1] . Se trovate una dimostrazione formale, pubblicatela.
†
Ringrazio vivamente F. Mezzadri per avermi fornito il codice.
212
5.10. SOLUZIONI
rsm.m
function E=rsm(N,sample,col)
% Usage:
% E=rsm(N, sample, col)
% N=dimension, sample=number of random matrices
col=’b’;
phi=linspace(0,2*pi,100);
plot(exp(i*phi),’r’,’LineWidth’,2);
hold on
xi = -log(rand(N)); % log-uniform
x=xi./(ones(max(size(xi)),1)*sum(xi)); % normalizzare
E=eig(x);
h=plot(E*sqrt(N),’.’,’MarkerSize’,1,’EraseMode’,’none’);
axis([-1.1,1.1,-1.1,1.1]);
axis square
for j=1:sample
xi=-log(rand(N));
x=xi./(ones(max(size(xi)),1)*sum(xi));
W=eig(x);
set(h,’XData’,real(W)*sqrt(N),’YData’,imag(W)*sqrt(N))
drawnow
E=[E; W];
end
E=E(find(abs(E)<.99))*sqrt(N); % esclude E=1 dal plot
#. 24 Per fissare le idee: S3 è costituito dalle sei permutazioni
� ��
123 123 123 123 123 123
123 312 231 132 213 321
dunque D(3) = 1�3. Ma il numero di permutazioni è n! e non è quindi il caso di procedere nello
stesso modo per n = 16 che comporta circa 1.3 × 1012 permutazioni. Utilizzando la funzione
randperm già nota dall’Eserc. 5-1 a Pag. 175, è molto facile farsi un’idea di quanto può valere
D(16). Secondo la simulazione (20 pacchetti di 10000 permutazioni scelte a caso, molto inferiore
al numero totale di permutazioni possibili) si ha che D(16) ≈ .369 ± 0.004 (Fig. 5-10). Il codice
sta, volendo, in una riga:
derangments.m
function p=drngts(N, smpl)
n=0; for j=1:smpl,if(any(randperm(N)==1:N)), n=n+1; end; end;p=n/N;
Vediamo cosa ci può dire la formula di inclusione/esclusione. Partiamo dal fatto che per ogni
i (1 ≤ i ≤ n) l’insieme delle permutazioni che lascia fisso i è un gruppo di permutazioni su
n-1 elementi, indichiamolo con Ai. Inoltre Ai ∩ Aj è l’insieme di permutazioni che lascia due
elementi fissi, e cosı̀ via. Avremo perciò (indicando con �A� il numero di elementi di A)
n! D(n) = n! − � �Ai� + � �Ai ∩ Aj� − � �Ai ∩ Aj ∩ Ak� + ...
i i>j i>j>k
= n! − � � (n − 1)! + � � (n − 2)! − ... + (−1)k� � (n − k)! + ... + (−1)n

n n n
1 2 k
n
= � (−1)k (n − k)!
n!
k=0 k!(n − k)!
per cui
n
D(n) = � (−1)k
1
.
k=0 k!
213
Calcolo di D(16) attraverso campionamento
0.378
0.376
0.374
0.372
0.37
D(16)
0.368
0.366
0.364
0.362
0.36
0.358
0 2 4 6 8 10 12 14 16 18 20
Figura 5-10. Stima del numero di permutazioni senza punto fisso.
Per n grande si ha perciò D(n) ≈ exp(−1) ≈ .3679. Il problema era stato risolto già da Poincaré
[Poi12] dove si trova anche la formula di inclusione/esclusione.
. 25 Considerando i chicchi di volume trascurabile rispetto a quello dei panettoni, possiamo
#
considerare che la distribuzione delle uvette sia uniforme. La presenza di una uvetta in un
dato panettone sarà 1�N. Il problema è quindi equivalente a una successione di n estrazioni di
Bernoulli con p = 1�N, e quindi E = np = n�N. Dato che p è presumibilmente piccolo e sia n che
N sono grandi, la distribuzione binomiale converge a quella di Poisson e la probabilità cercata è
data da 1 − P[0] = 1 − exp{−np} = 1 − exp{−n�N}.
214
Bibliografia
[AO84] G.E. Andrews and E. Onofri, Lattice gauge theory, orthogonal polynomials, and q-
hypergeometric functions, Special Functions: Group Theoretical Aspects and Applications
(A. Askey, T. H. Koornwinder, and W. Schempp, eds.), D. Reidel Pub.Co., 1984, pp. 163–188.
[Arn78] V. Arnol ′ d, Metodi matematici della meccanica classica, Editori Riuniti, Roma, 1978.
[Bar47] V. Bargmann, Irreducible Unitary Representations of the Lorentz Group, Ann. Math, 48
(1947), no. 3, 568.
[BCO07] M. Bonini, G. M. Cicuta, and E. Onofri, Fock space methods and large N, J. Phys. A40 (2007),
F229–F234.
[BCR84] K. Baclawski, M. Cerasoli, and G.C. Rota, Introduzione alla Probabilità, UMI, 1984.
[Bel87] J. S. Bell, Speakable and unspeakable in quantum mechanics, Cambridge UP, Cambridge, 1987.
[BSRW02] M. Bennet, M/F/ Schatz, H. Rockwood, and K. Wiesenfeld, Huygen’s clocks, Proc. R. Soc.
Lond. A458 (2002), 563–579.
[BW69] C. M. Bender and T. T. Wu, Anharmonic Oscillator, Phys. Rev. 184 (1969), no. 5, 1231–1260.
[CH62] R. Courant and D. Hilbert, Methods of Mathematical Physics, Interscience, 1962.
[Cic09] G. Cicuta, to be announced, ch. X, Springer, 2009.
[CMO80] M. Casartelli, G. Marchesini, and E. Onofri, A singular integral operator arising from 1/N
expansions: analytical and numerical results, J.Phys.A: Math.& Gen. 13 (1980), 1217–1225.
[DH87] P.H. Damgaard and H.Hü↵el, Stochastic Quantization, Phys.Rep. (1987), no. 152(5-6), 227.
[Dir29] P. A. M. Dirac, The Principles of Quantum Mechanics, Clarendon Press, Oxford, 1929,
traduzione italiana ediz. Boringhieri, Torino, 1959.
[Erd55] A. Erdélyi (ed.), Higher Trascendental Functions, vol. I-III (Bateman Manuscript Project),
McGraw-Hill, New York, 1955.
[Fel68] W. Feller, An Introduction to Probability Theory and its Applications, Wiley series in
probability and mathematical statistics, J. Wiley & Sons, New York, 1968.
[Fey72] R. P. Feynman, Statistical Mechanics, W. A. Benjamin, Inc., Reading, Mass., 1972.
[FFS82] M. D. Feit, J. A. Fleck, and A. Steiger, Solution of the Schroedinger equation by a spectral
method, J. Comput. Phys. 47 (1982), 412–433.
[FH65] R. P. Feynman and A. R. Hibbs, Quantum mechanics and path integrals, McGraw-Hill, 1965.
[Fis63] M. Fisz, Probability Theory and Mathematical Statistics, 3rd ed., J. Wiley & Sons, New York,
1963.
[FPO04] V.A. Fateev, R.De Pietri, and E. Onofri, Exact and semiclassical approach etc., J.Phys.A 37
(2004), 11379–11390.
[Gan59] F. R. Gantmacher, The Theory of Matrices, Chelsea Pub. Co., New York, 1959.
[Gel89] I. M. Gelfand, Lectures on linear algebra, Dover, 1989.
[Gin00] M. Gintis, Game Theory Evolving, Princeton UP, 2000.
[GL74] I. Glazman and Y. Liubitch, Analise Linéarie dan les Espaces de DimensionFinies, MIR,
Moscou, 1974.
[GL96] G.H. Golub and C.F. Van Loan, Matrix Computations, iii ed., Johns Hopkins U.P., Baltimore,
USA, 1996.
[GMS94] M. Goossens, F. Mittelbach, and A. Samarin, The LATEX Companion, Addison-Wesley,
Reading, Mass., 1994.
[Gne79] B. Gnedenko, Teoria della probabilita‘, MIR, 1979.
[GR65] L. S. Gradshteyn and I. M. Ryzhik, Table of Integrals, Series and Products, IV ed., Academic
Press, New York, 1965.
215
[GW69] G.H Golub and J.H. Welsch, Calculation of gauss quadrature rules, Math. Comput. 23 (1969),
221–230.
[Hal82] P.R. Halmos, A Hilbert space problem book, Springer, N.Y., 1982.
[Ham62] M. Hamermesh, Group Theory and its Applications to Physical Problems, Addison Wesley,
Reading, Mass., 1962.
[Hel78] S. Helgason, Lie Groups and Symmetric Spaces, Academic Press, New York, 1978.
[HLP52] G. Hardy, J.E. Littlewood, and G. Polya, Inequalities, Cambridge U.P., 1952.
[Hoc71] H. Hochstadt, The Functions of Mathematical Physics, Wiley-Interscience, New York, 1971.
[ID89] C. Itzykson and J. M. Drou↵e, Théorie Statistique des Champs, InterEditions, Paris, 1989.
[Kac59] M. Kac, Probability and Related Problems in the Physical Sciences, Interscience, New York,
1959.
[Kir74] A. Kirillov, Elements de la Théorie des Representations, MIR, Mosca, 1974.
[Knu98] D. Knuth, The art of computer programming, Addison–Wesley, 1998.
[KP99] P. E. Kloeden and E. Platen, Numerical Solution of Stochastic Di↵erential Equations,
Applications of Mathematics, vol. 23, Sringer, Berlin, 1999.
[KS85] J. R. Klauder and B. Skagerstam (eds.), Coherent States, Applications in Physics and
Mathematical Physics, World Scientific, Singapore, 1985.
[Lan50] C. Lanczos, An Iteration Method for the Solution of the Eigenvalue Problem of Linear
Di↵erential and Integral Equations, J. Res. Nat. Bureau St. 45 (1950), no. 4, 255–282.
[Lit50] D. E. Littlewood, The Theory of Group Characters, Oxford U.P., 1950.
[LL76] L. D. Landau and E. M. Lifshitz, Meccanica quantistica, teoria non relativistica, Editori
Riuniti, Roma, 1976.
[Mad70] I. J. Maddox, Elements of Functional Analysis, Cambridge University Press, Cambridge, 1970.
[Mal03] G. Maltese, Enrico Fermi in America, Le Ellissi, Zanichelli, Bologna, 2003.
[Meh89] M.L. Mehta, Matrix Theory, Selected Topics and Useful Results, Les Editions de Physique,
Les Ulis (F), 1989.
[ML78] C. Moler and C. Van Loan, Nineteen Dubious Ways To Compute The Exponential Of A
Matrix, SIAM Review 20 (1978), no. 4, 801–836.
[Mos65] F. Mosteller, Fifty challenging problems in probability with solutions, Dover, New York, 1965.
[Nai68] M. A. Naimark, Linear Di↵erential Operators, vol. 2, Frederic Ungar, New York, 1968.
[Nel67] E. Nelson, Dynamical Theories of Brownian Motion, Princeton University Press, Princeton,
N.J., 1967.
[New66] R. G. Newton, Scattering Theory of Waves and Particles, McGraw-Hill, New York, 1966.
[NO76] A. Nikiforov and V. Ouvarov, éleménts de la Théorie des Fonctions Speciales, MIR, Mosca,
1976.
[OD99] E. Onofri and C. Destri, Istituzioni di Fisica Teorica, Carocci, Roma, 1999.
[OMT91] E. Onofri, P. Maraner, and G. P. Tecchiolli, Spectral Methods in Computational Quantum
Mechanics, Int. J. Comput. Appl. Math. (1991), 209–219.
[Ono84] E. Onofri, Lezioni sulla teoria degli operatori lineari, Ediz. Zara, Parma, 1984.
[Ono85] , A nonlinear variational problem, SIAM Rev, 1985, 27.
[Pel94] A. Pelissetto, Elementary particles, quantum fields and statistical mechanics, Elementary par-
ticles, Quantum Fields and Statistical Mechanics (M. Bonini, G. Marchesini, and E. Onofri,
eds.), Università di Parma, 1994.
[Pen89] R. Penrose, The Emperor New Mind, Oxford U. Press, 1989.
[Pen97] , La mente nuova dell’imperatore, BUR, Rizzoli, Milano, 1997.
[Poi12] H. Poincaré, Calcul des Probabilités, Gauthiers–Villars ed., (disponibile su gallica.fr ), Paris,
1912.
[Pol77] A. M. Polyakov, Nucl.Phys. 120B (1977), 429.
[PR69] Yu. V. Prohorov and Yu. A Rozanov, Probability Theory, Springer Verlag, Berlin, 1969.
[Put67] C. R. Putnam, Commutation Properties of Hilbert Space Operators and related topics,
Erg.d.Math.und i.Grenz., vol. 36, Springer-Verlag, New York, 1967.
[PW81] G. Parisi and Y.-S. Wu, perturbation theory without gauge fixing, Sci. Sinica (1981), 483.
[QRF00] A. Quarteroni, R.Sacco, and F.Saleri, Matematica Numerica, Springer–Verlag Italia, Milano,
2000.
216
[QSS07] A. Quarteroni, R. Sacco, and F. Saleri, Numerical Mathematics, 2nd ed., Texts in Applied
Mathematics, vol. 37, Springer, 2007.
[Reb83] C. Rebbi, Lattice Gauge Theory and Montecarlo simulations, World Sci., Singapore, 1983.
[Roz69] Yu. A. Rozanov, Probability theory: a concise course, Dover, 1969.
[RS78] M. Reed and B. Simon, Methods of Mathematical Physics, vol. II, Academic Press, New York,
1978.
[RS80] , Methods of Mathematical Physics: I - Functional Analysis, vol. I, Academic Press,
New York, 1980.
[Sak90] J. J. Sakurai, Meccanica quantistica moderna, Zanichelli, Bologna, 1990.
[Shi77] G. Shilov, Linear algebra, Dover, 1977.
[Sok91] A. D. Sokal, How to beat critical slowing down: 1990 update, Lattice 90 (U.M.Heller et al,
ed.), North-Holland, 1991.
[Sok97] , Functional integration (Cargèse, 1996), ch. Monte Carlo methods in Statistical
Mechanics: Foundations and New Algorithms, pp. 131–192, Plenum, New York, 1997.
[Sta99] R. P. Stanley, Enumerative Combinatorics, vol. 2., Cambridge U.P., 1999.
[Sze59] G. Szegö, Orthogonal Polynomials, American Mathematical Society, Provedence, R.I., 1959.
[Tay58] A. E. Taylor, Introduction to functional Analysis, J. Wiley, New York, 1958.
[TN02] E.O. Tuck and J.N. Newman, Longitudinal waves in slender moonpools, 17th Int. Workshop
on Water Waves and Floating Bodies, Cambridge (London) (R. Rainey, ed.), RINA, 2002.
[Var62] R. S. Varga, Matrix iterative analysis, Prentice–Hall, Englewood Cli↵s, N.J., 1962.
[VW06] G. Veneziano and J. Wosiek, Planar quantum mechanics: An intriguing supersymmetric
example, JHEP 01 (2006), 156.
[Wax54] N. Wax (ed.), Selected papers on Noise and Stochastic Processes, Dover, New York, 1954.
[Wig67] E. P. Wigner, Random Matrices in Physics, SIAM Review 9 (1967), no. 1, 1–23.
217
Indice analitico
Symbols alias
Ad(X) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 metodo degli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
C2 (a, b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Andrews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154, 160
H2 . . . . . . . . . . . . . . . . . . . . . . . . . . .101, 105, 143, 145 Arnold . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
L2 (a, b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 arpack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
R(^ n, ↵). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35 autoaggiunto . . . . . . vedi operatore, autoaggiunto
SU(2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 autocorrelazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
[n]! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 B
Cn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Bargmann . . . . . . . 160, vedi spazio, di Bargmann
D[.] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii rappresentazioni di SU(1, 1) . . . . . . . . . . . . . . 154
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Bayes . . . . . . . . . . . . . . . . . . . vedi formula, di Bayes
M(n, R) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 BCH . . . . . . . . . . . . . . . . . . . . . . . . . . .vedi formula, di
M[.] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii Baker–Campbell–Hausdor↵
�.�. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .38, 102 Bergman . . . . . . . . . . . . . . . vedi nucleo di Bergman
P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Bernoulli . . . 160, 180, 182, vedi distribuzione, di
S[.] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 Bernoulli
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Bessel . . . . . . . . . . . . vedi disuguaglianza, di Bessel
� � . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 bessel.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 binomiale . . . . . . . . . . vedi distribuzione,binomiale
P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Bonini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30 bra . . . . . . . . . . . . . . . . . . . . vedi Dirac, notazione di
� � . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
`2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101, 103
^ ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
f(X
C
B(C) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 c.c.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .116
p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 cambiamenti di base . . . . . . . . . . . . . . . . . . . . . . . . . 36
q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 canonici . . . . . . . . . . . . . . . . vedi operatori, canonici
RES() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Cartan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Tr() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 Casartelli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93, 156
n �∞
"ijk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30n catene di Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
. . . viii, 79, 89, 96, 111, 118, 121, 129, Cayley . . . . . . . . . . . . . . . . . vedi teorema, di Cayley
148 chiuso . . . . . . . . . . . . . . . . . . . . vedi operatori, chiusi
chiusura
A di un operatore . . . . . . . . . . . . . . . . . . . . . . . . . . 109
a.c. . . . . . . vedi funzione, assolutamente continua Christho↵el–Darboux
absp.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 formula di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
aggiunto Hermitiano . . . . . . . . . . . . . . . . . . . . 51, 110 Cicuta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155, 211
aleatoria . . . . . . . . . . . . . . . . . vedi variabili aleatorie circolante
algebra matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
degli operatori . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
219
codici . . 7, 11, 61, 91, 92, 96, 120, 138, 140, 141, triangolare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
152, 155, 175, 186, 189, 197, 200, 208, disuguaglianze . . . . . . . . . . . . . . . . . . . . . . . . . . . 75–78
211–213 doppio prodotto vettoriale . . . . . . . . . . . . . . . . . . . 17
codominio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 Drou↵e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
compatto dueosc.m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
operatore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 Dyson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
completamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
completezza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
completo E
spazio lineare . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Ehrenfest . . . . . . . . . . . . vedi modello, di Ehrenfest
condizionata . . . . . . vedi probabilità condizionata eigs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
contorno emacs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
condizioni al . . . . . . . . . . . . . . . . . . . . . . . vedi c.c. ensemble unitario . . . . . . . . . . . . . . . . . . . . . . . . . . 212
corda vibrante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13 equazione
correlazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 di Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
Courant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 di Langevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Criterio di Schur . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 Erdelyi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Esempi . . 36, 43, 56, 61, 62, 64, 70, 74, 102, 105,
D 107, 108, 111, 112, 118, 119, 122, 126, 131,
decomposizione spettrale . . . . . . . . . . . . . . . 45, 184 140, 176, 180, 181
(f) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145, 146 estensione
(x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107, 126 di operatore. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .108
DeMère . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 operatori simmetrici . . . . . . . . . . . . . . . . . . . . . 130
derangements.m . . . . . . . . . . . . . . . . . . . . . . . . . . . 213 Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .161
determinante
di Gram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 F
di Vandermonde . . . . . . . . . . . . . . . . . . . . . . . 79, 90
DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Famiglia spettrale . . . . . . . . . . . . . . . . . . . . . . . . . . 124
diagonalizzabilità Fateev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
teorema di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Fermi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162, 188
difetto Feynman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135, 162
indici di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115, 130 FFTW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138n
di↵erenziali . . . . . . . . . vedi operatori, di↵erenziali fftn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
dimensionalità. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24 formula
Dirac di Baker-Campbell-Hausdor↵ . . . . . . . . . . . . . . 58
funzione (x) . . . . . . . . . . . . . . . . . . . . . . . 107, 126 di Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
notazione di . . . . . . . . . . . . . . . . . . . . . . . . . . . 32–34 di Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161 di Lie–Trotter . . . . . . . . . . . . . . . . . . . . . . . 135–138
condizioni di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 di Riesz–Dunford . . . . . . . . . . . . . . . . . . . . . . . . . 43
distribuzione Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 trasformata . . . . . . . . . . . . . . . . . . . . . . . . . . 13, 132
di Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 176, 195 discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
di Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 veloce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
di Gauss multidimensionale . . . . . . . . . . . . . . 195 Frobenius . . . vedi teorema, di Perron–Frobenius
di Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 funzionale
di Polya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 limitato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
di probabilità . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 funzionali lineari . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 funzione
distribuzione stazionaria. . . . . . . . . . . . . . . . . . . .184 assolutamente continua . . . . . . . . . . . . . . . . . . 115
disuguaglianza di Green . . . . . . . . . . . . . . . . . . . . . 14–15, 144, 151
di Bessel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 generatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
di Holder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 Funzione di distribuzione . . . . . . . . . . . . . . . . . . . 180
di Minkowski. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76 funzioni di operatori . . . . . . . . . . . . . . . . . . . . . 37–41
di Young . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78, 127 Funzioni di più operatori . . . . . . . . . . . . . . . . . . . . 55
220
G Klauder . . . . . . . . . . . . . . . . . . . . . . . . . . 104, 157, 165
Knuth. . . . . . . . . . . . . . . . . . . . . . . . . .ii, viii, 165, 186
Gambler’s ruin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 Kolmogorov 165, vedi equazione, di Kolmogorov
Gantmacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23n
Gauss . . . . . . . . . 163, vedi distribuzione, di Gauss L
formule di quadratura . . . . . . . . . . . . . . . . . 73–75
GaussHerm.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
GaussLeg.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Laguerre
Gelfand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23n seepolinomi, di Laguerre . . . . . . . . . . . . . . . . . 217
Gershgorin . . . . . . . . . vedi teorema, di Gershgorin Lamport. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .ii, 166
teorema di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184 Lanczos
giocatore algoritmo di . . . . . . . . . . . . . . . . . . . . . . . . . . 94, 139
problema del . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 Langevin . . . . . . . . . . . vedi equazione, di Langevin
Glazman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Golub . . . . . . . . . . . . . . . . . . . 41, 51, 72, 91, 94, 163 seepolinomi, di Legendre . . . . . . . . . . . . . . . . . 217
grafico Lemma di Schur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
di un operatore . . . . . . . . . . . . . . . . . . . . . . . . . . 108 Lie . . . . . . . . . . . . . . . . . . . . 166, vedi formula, di Lie
Green . . . . . . . . . . . . . . . . . . vedi funzione, di Green Lie–Trotter . . . . . . . . vedi formula, di Lie–Trotter
Littlewood . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
H M
Halmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143, 151 Maddox . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Hamermesh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Maltese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Hamilton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .164 Markov . . . . . . . . . . . 167, vedi processi di Markov
Hardy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78, 164 catene di . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183, 186
Heisenberg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 matrice
regole di commutazione . . . . . . . . . . . . . . . . . . 121 circolante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Helgason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104, 105 iperbolica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii, 85
Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 irriducibile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
seepolinomi, di Hermite . . . . . . . . . . . . . . . . . . 217 metrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27, 28, 69
Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 rappresentativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
spazio di . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101, 104 stocastica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95, 184
Hochstadt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75, 94 unitaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
hpm.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 matrice di trasformazione. . . . . . . . . . . . . . . . . . . .25
huygens.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 matrici
random
I hermitiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
inclusione/esclusione . . . . . . . . . . . . . . . . . . . . . . . 177 positive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
indice di autovalore. . . . . . . . . . . . . . . . . . . . . . . . . .48 unitarie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
indipendenza sparse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138–141
statistica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179 tridiagonali. . . . . . . . . . . . . . . . . . . . . . . . . . .86, 138
indipendenza lineare . . . . . . . . . . . . . . . . . . . . . . . . .24 Mehta . . . . . . . . . . . . . . . . . . . . . . . . . 91, 93, 167, 211
Insiemi completi di operatori . . . . . . . . . . . . . . . . 55 metodo
Insiemi irriducibili di operatori . . . . . . . . . . . . . . 56 MonteCarlo . . . . . . . . . . . . . . . . . . . . . . . . . 188–193
inverso dinamico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
calcolo dell’ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 metodo di “splitting”. . . . . . . . . . . . . . . . . . . . . . .135
iperbolica . . . . . . . . . . . . . . vedi matrice, iperbolica Metropolis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Ising . . . . . . . . . . . . . . . . . . . . . vedi modello, di Ising Mezzadri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212n
isometrico . . . . . . . . . . . vedi operatore, isometrico modello
Itzykson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185 di Ehrenfest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
soluzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
K di Ising . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Kac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91, 165 modi normali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
ket . . . . . . . . . . . . . . . . . . . . vedi Dirac, notazione di Moler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
221
MonteCarlo . . . . . . . . . . vedi metodo, MonteCarlo poker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175n
polinomi
N classici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
di Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Naimark . . . . . . . . . . . . . . . . . . . . . 115, 125, 127, 129
di Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Neumann
di Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . 70, 75
condizioni di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
ortogonali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69–75
Newton,R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
polinomio
norma
caratteristico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
di un operatore . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
minimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
normale . . . . . . . . . . . . . . . . vedi operatore, normale
Polya . . . . . 168, 185, vedi distribuzione, di Polya
Notazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
portalettere
nucleo di Bergman . . . . . . . . . . . . . . . . . . . . . . . . . 104
il problema del . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
primo ritorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
O probabilità
operatore misura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
autoaggiunto . . . . . . . . . . . . . . . . . . . . . . . . . 52, 110 spazio di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
di proiezione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 probabilità condizionata . . . . . . . . . . . . . . . . . . . . 178
di shift. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .119 problemi . . . . 30, 39, 41, 43, 48, 54, 72, 175, 182,
inverso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 184–186, 189, 207
isometrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 processi di Markov . . . . . . . . . . . . . . . . . . . . . . . . . 183
normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52, 54 processi di↵usivi . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
risolvente . . . . . . . 42, 44, 60, 118–120, 127, 144 prodotto interno. . . . . . . . . . . . . . . . . . . . . . . . . . . . .27
proprietà . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 proiettore . . . . . . . . . vedi operatore, di proiezione
unitario . . . . . . . . . . . . . . . . . . . . . . . . . . 52, 53, 111 Putnam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
operatori
canonici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 Q
chiusi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
compatto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 quadratura . . vedi Gauss, formule di quadratura
continui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 quantizzazione stocastica . . . . . . . . . . . . . . . . . . . 193
di proiezione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Quarteroni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
di rotazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 quaternioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30n
di↵erenziali . . . . . . . . . . . . . . . . . . . . . . . . . 113, 127
limitati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 R
nello spazio di Hilbert . . . . . . . . . . . . . . . 108–117
rsm.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207, 212
non limitati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
random variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
oscillatori accoppiati . . . . . . . . . . . . . . . . . . . . . . . . . . 6
random walk . . . . . . . . . . . . . . . . . . . . . 184, 205, 206
range . . . . . . . . . . . . . . . . . . . . . . . . . . . vedi codominio
P Rappresentazione di interazione . . . . . . . . . . . . . 67
parametro di rilassamento . . . . . . . . . . . . . . . . . . . 88 Reed-Simon . . . . . . . . . . . . . . . . . . . . . . . . . . . 128–132
Parisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192 Reitter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Pascal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168, 205 relazione
Path-integrals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 di completezza . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Pauli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 relazione di ricorrenza . . . . . . . . . . . . . . . . . . . . . . . 72
matrici di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Resolvent.nb. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .120
Pelissetto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 reticolo duale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
permutazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207 Ricci
Perron–Frobenius simbolo di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30n
teorema di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184 ricorrenza, relazioni di . . . . . . . . . . . . . . . . . . . . . . . 71
perturbazioni Riesz . . . . . . . . . . . . . . . . . . . . vedi teorema, di Riesz
teoria delle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Riesz–Dunford . . vedi formula, di Riesz–Dunford
peso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 risolvente . . . . . . . . . . . . . vedi operatore, risolvente
Poincaré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168, 214 ritorno
Poisson . . . . . . . . . . . vedi distribuzione, di Poisson tempo medio di . . . . . . . . . . . . . . . . . . . . . 199, 206
222
ritorno all’origine. . . . . . . . . . . . . . . . . . . . . . . . . . .205 di Perron–Frobenius . . . . . . . . . . . . . . . . . . . . . 196
Rodriguez di Riesz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
formula di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 di Stone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
rotazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 di Wintner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
teoria spettrale. . . . . . . . . . . . . . . . . . . . .42, 117–121
S traccia
S2kit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138n di una matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
schr3D.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 trasformata
Schur . . . . . . . . . . . . . . . . . . . . vedi Criterio di Schur di Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
lemma di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 trasformata di Fourier
separabile . . . . . . . . . . . . . . . vedi spazio, separabile discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
serie veloce. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .137
asintotica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 trasformazioni di base . . . . . . . . . . . . . . . . . . . . . . . 25
perturbativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 tridiag.c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139n
Shilov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23n tridiagonale . . . . . . . . . . . . . . . . . . . . . . . . vedi matrici
similitudine Tuck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
trasformazioni di . . . . . . . . . . . . . . . . . . . . . . . . . . 57 operatore di . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147n
Simon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
sistemi lineari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 U
skewness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 ue.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
sottospazio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 unitario . . . . . . . . . . . . . . . . vedi operatore, unitario
spazi lineari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 spazio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
spazi lineari complessi . . . . . . . . . . . . . . . . . . . . . . . 27
spazio V
di Bargmann . . . . . . . . . . . . . . . . . . . 145, 146, 153
variabili
di Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . 101, 104
indipendenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
di probabilità . . . . . . vedi probabilità, spazio di
variabili aleatorie . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
separabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Veneziano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
spazio unitario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Von Neumann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
spettro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
W
puntuale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Wigner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169, 211
residuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 legge del semicerchio . . . . . . . . . . . . . . . . . . . . . 207
Stallman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii, 169 wigner.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
Stone Wintner
teorema di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 teorema di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Sturm
criterio di . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139n Y
successioni (pseudo)casuali . . . . . . . . . . . . . . . . . 188 Young
susyqm.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 disuguaglianza . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
SVD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
sviluppo di Dyson . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 Z
sviluppo di Lagrange . . . . . . . . . . . . . . . . . . . . . . . . 41
Zeri
sviluppo spettrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
delle funzioni di Bessel . . . . . . . . . . . . . . . . . . . 157
Szego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
zeri
dei polinomi ortogonali . . . . . . . . . . . . . . . . . . . . 72
T
Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106, 109, 130
tensore
d’inerzia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
teorema
di Cayley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
di Gershgorin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
223
Elenco delle figure
1-1 Oscillatori accoppiati 6

1-2 n oscillatori accoppiati. 8
1-3 La corda vibrante. 13
1-4 Deformazione della fune sotto una forza applicata in un punto p. 14
2-1 Brougham Bridge, Dublin, dove i quaternioni sono venuti alla luce. 30
3-1 Calcolo di expm con Mathematica, N.1 40

3-2 Calcolo di expm con Mathematica, N.2 40
3-3 @U = ∑k k 46
⌫ ⌫
3-4 Dimostrazione grafica della disuguaglianza di Holder. 77
3-1 Il dado del Probl.62 88

3-2 La trasformazione 3.1 95
4-1 La successione di Cauchy non convergente in C2 102

4-2 Il cammino di integrazione viene deformato in modo da adattarsi allo spettro sull’asse
reale. 123
4-3 Il cammino di integrazione nel calcolo di f(p2). 128
4-4 La formula di Lie–Trotter al lavoro. 137
5-1 Una partita a poker simulata. 177

5-2 Estratto da Poincaré, Calcule des Probabilités 178
5-3 De Moivre: legge dei grandi numeri, istogramma con erfc() sovrapposta 183
5-4 Distribuzione di Polya 198

5-5 Lo spostamento x(t) → x(t + dt) decomposto in parte casuale e in trascinamento (drift)201
5-6 Il grafo del Probl. 14 206

5-7 Stima di probabilità per il Probl. 5 208
5-8 Media e fluttuazioni della simulazione della coda al botteghino 209
5-9 Confronto tra cammini sempre positivi e cammini non–negativi. 209
5-10Stima del numero di permutazioni senza punto fisso. 214
225

Onofri - Teoria Degli Operatori Lineari

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Onofri - Teoria Degli Operatori Lineari

Caricato da

Copyright:

Formati disponibili

Enrico Onofri

TEORIA DEGLI OPERATORI LINEARI

Università degli Studi di Parma

Seconda Edizione, 2009, versione elettronica 1.5, 2017

Il mio ringraziamento a Donald E. Knuth (TEX), Leslie Lamport (LATEX), Richard

Composto su utilizzando TeXLive-2008 nel formato amsbook, con packages addizionali

© Università di Parma, 2009

II - Operatori Lineari in spazi a dimensione finita 21

III - Operatori lineari nello spazio di Hilbert 99

Galleria di ritratti 159

I vettori sono normalmente indicati in grassetto, come ⇠, ⌘,etc.; ma preferibilmente

Spazi lineari in Meccanica Classica

1.1. Il tensore d’inerzia

Mi = ⇢(r) ((r ⋅ r) !i − (! ⋅ r) xi) dV

=� ⇢(r) �r2 ij − xixj� !j dV ≡ � Iij!j .

Si indica perciò M = I ! e si dice che I è un operatore lineare, di cui {Iij}

(cfr. Eserc.29, Parte II).

che, oltre a ammette le soluzioni

1.2. Modi normali di due oscillatori accoppiati

Figura 1-1. Oscillatori accoppiati

e una semplice chiamata del tipo

ritorna un vettore di tempi T = {t1 = 0, t2, ..., tN = 100} e una matrice

1.3. Modi normali di n oscillatori accoppiati

Figura 1-2. n oscillatori accoppiati.

Il sistema ammette soluzioni se il determinante

snosc.m - versione ‘‘sparsa’’

La routine eigs permette di studiare lo spettro di matrici sparse di grandi dimensioni - e

1.4. Spazi a infinite dimensioni

L = m � ẏq − 2  � (yq − yq−1)2 .

Indichiamo con M = nm la massa totale, con x = q a la posizione della q-esima particella,

parte intera di x�a). Si avrà

Figura 1-3. La corda vibrante.

l’analogo della matrice ⌦2 è ora costituito dall’operatore di↵erenziale

e si può attribuire alla radice quadrata di entrambi i membri dell’equazione il significato

1.4.2. Un’equazione integrale. Un altro metodo per studiare le vibrazioni ela-

y(x) = � � fk (L − pk) x + � fk (L − x) pk� .

con ✓(x) = 1 se x > 0 e 0 altrimenti (funzione di Heavyside). Nota la deformazione y(x),

del moto è perciò

Problema 1. Calcolare il tensore d’inerzia per un cubo omogeneo di lato ` e massa

nello spazioe tridimensionale di coordinate (!1, !2, !3).

Problema 9. Risolvere il sistema di equazioni di↵erenziali lineari

✓¨i(t) = −!2 ✓i(t) + ⌦2 ⇠(t) − ⇢!2 � ✓i(t)

Se introduciamo la variabile collettiva ✓∥ = √1N ∑i ✓i e altre N − 1 variabili ✓⊥i nel piano

che ammette soluzioni periodiche con frequenze

2.1. Spazi lineari reali

equipaggiato con le operazioni del tutto naturali

e la corrispondenza x ⇔ {ai�a0} è biunivoca. Dunque uno spazio lineare R è in corrispon-

x = � cjej = � ci′ ei′ = � ci′ ajiej

In simbolismo matriciale (adottando la convenzione del prodotto “righe per colonne”) si

2.2. Spazi lineari complessi

2.3. Spazi lineari metrici

� reale, si indica con �⇠� e si chiama norma (o lunghezza) del vettore

c) Sia Qn lo spazio dei polinomi in una variabile complessa di grado inferiore a n.

In pratica, avendo costruito la matrice metrica h, per ogni k si prende il minore

�ek, ⇠� = � ↵j �ek, ej� = ↵k

cioè la matrice inversa di U si ottiene prendendo la coniugata complessa della matrice

� � = cos (✓�2) + i sin (✓�2) n ⋅

2.4. Funzionali lineari e spazio duale

Il funzionale nullo 0 ∶ C � 0 è un funzionale lineare. In definitiva l’insieme di tutti

Siano i(i = 1, ..., n) i funzionali lineari definiti da

Dimostrazione. La dimostrazione è molto semplice se introduciamo una base e poi

ossia la corrispondenza cercata è

Infatti, decomponiamo ⇠ secondo N ( ) e N ⊥ :

�J M�j1 j2 m1, m2�

D �k� = � � k z = �� k �k-1� = k (n − k + 1) �k-1�